Entity Resolution in der Geldwäschebekämpfung: Die Person hinter den Daten erkennen

Von Steven Renwick, CEO und Mitgründer, Tilores.

Kurzfassung: Geldwäsche ist ein Problem der Tarnung — Kriminelle verbergen, wem das Geld gehört, nicht nur, wo es liegt. Entity Resolution in der Geldwäschebekämpfung erkennt, dass verstreute, unsaubere, absichtlich inkonsistente Datensätze alle auf dieselbe reale Person oder Organisation verweisen. Sie ist das Fundament, auf das sich jede andere AML-Kontrolle stillschweigend verlässt. Wenn Sie dafür eine spezialisierte Engine auswählen, gibt es nur zwei ernstzunehmende Optionen — Tilores und Senzing — und der eine Weg, den Sie früh ausschließen sollten, ist der Eigenbau.

AML Entity Resolution

Klären Sie, wer jemand ist, bevor Sie ihn screenen.

Erleben Sie Entity Resolution für die Geldwäschebekämpfung in Echtzeit auf Ihren eigenen Daten — saubere, verknüpfte Identitäten für Ihre bestehenden Sanktions-, KYC- und Transaktionsmonitoring-Systeme.

Demo buchen Evaluierungsversion erhalten

Auflösungspfad

Fragmentierte Datensätze

Aliasnamen · Tippfehler · Briefkastenfirmen

Tilores API

aufgelöste Entität

Screening & Monitoring

eine saubere Identität

Geldwäsche ist im Kern ein Problem der Tarnung. Kriminelle verstecken weniger das Geld als vielmehr, wem es gehört und wie es zwischen Personen und Unternehmen bewegt wird. Sie eröffnen Konten unter leichten Abwandlungen eines Namens, gründen Briefkastenfirmen in verschiedenen Jurisdiktionen, rekrutieren Netzwerke von Mittelsleuten und verteilen ihre Aktivitäten über mehrere Banken, sodass kein einzelnes Institut jemals das ganze Bild sieht. Die Verteidigung dagegen ist selten eine einzelne kluge Regel. Sie besteht in der Fähigkeit zu erkennen, dass verstreute, unsaubere, absichtlich inkonsistente Datensätze alle auf dieselbe reale Person oder Organisation verweisen. Diese Fähigkeit heißt Entity Resolution, und Entity Resolution in der Geldwäschebekämpfung ist zu einem der wichtigsten Bausteine eines modernen Financial-Crime-Programms geworden.

Dieser Artikel erklärt, was Entity Resolution ist, warum die Geldwäschebekämpfung (Anti-Money Laundering, AML) im Grunde ein Identitätsproblem ist, wie das Auflösen von Entitäten Geldwäschemuster sichtbar macht, die Regeln allein übersehen — und, das ist die Frage, die alles Weitere entscheidet, welche Lösung Sie wählen sollten.

Was ist Entity Resolution?
Warum ist AML in erster Linie ein Identitätsproblem?
Wie stärkt Entity Resolution ein AML-Programm?
Welche Geldwäschemuster deckt Entity Resolution auf?
Warum sind Echtzeit-Auflösung und externe Daten so wichtig?
Welche Entity-Resolution-Lösung sollten Sie für AML wählen?
Warum sollten Sie keine eigene Lösung bauen?
FAQ

Was ist Entity Resolution?

Entity Resolution ist der Prozess, aus vielen einzelnen Datensätzen zu ermitteln, welche davon sich auf dieselbe reale Entität beziehen — also auf eine bestimmte Person, ein bestimmtes Unternehmen oder einen bestimmten Kontoinhaber. Dabei werden Namen, Adressen, Geburtsdaten, Telefonnummern, E-Mail-Adressen, Bankverbindungen, Handelsregisternummern und Identifikatoren aus internen und externen Quellen zusammengeführt, und es wird entschieden, ob zwei Datensätze dieselbe Entität, verschiedene Entitäten oder möglicherweise verwandte Entitäten sind. (Eine ausführlichere Einführung finden Sie unter Was ist Entity Resolution?.)

Das Schwierige daran: Echte Daten sind selten sauber. Dieselbe Person kann in drei Systemen als „Jon Smith”, „Jonathan Smith” und „J. Smith” auftauchen. Ein Unternehmen ist vielleicht mit leicht abweichender Schreibweise, einer alten Adresse oder einem transliterierten Namen erfasst. Manchmal ist die Inkonsistenz harmlos: Tippfehler, Formatunterschiede, Daten, die über viele Jahre von unterschiedlichen Teams erfasst wurden. Manchmal ist sie absichtlich, weil die Person, die das Formular ausfüllt, gerade nicht mit einem Datensatz abgeglichen werden möchte, der Alarm auslösen würde.

Gute Entity Resolution bewältigt beide Fälle. Sie nutzt Fuzzy Matching, um zu erkennen, dass nahezu identische Datensätze zusammengehören, und sie baut aus allen Fragmenten eine einzige, verlässliche Sicht auf jede Entität. Im AML-Kontext ist genau diese eine Sicht das, was einem Compliance-Team erlaubt, eine trügerisch einfache Frage zu beantworten: Wer ist das wirklich, und was wissen wir sonst noch über diese Person?

Warum ist AML in erster Linie ein Identitätsproblem?

Die meisten AML-Kontrollen setzen voraus, dass Sie bereits wissen, mit wem Sie es zu tun haben. Das Sanktions-Screening gleicht einen Kunden gegen Watchlists ab. Das Transaktionsmonitoring markiert auffällige Verhaltensmuster. Das Kundenrisiko-Rating vergibt einen Wert danach, wer der Kunde ist und was er tut. Jede einzelne dieser Kontrollen setzt stillschweigend voraus, dass das Institut den Kunden überhaupt erst korrekt identifiziert hat. Die FATF-Empfehlungen definieren die Kundensorgfaltspflichten genau darüber — den Kunden identifizieren und verifizieren und die Geschäftsbeziehung verstehen — und im Vereinigten Königreich macht Regulation 28 der Money Laundering Regulations 2017 die laufende Überwachung und die Aktualisierung dieser Informationen zu einer ausdrücklichen Pflicht.

Wenn Identität fragmentiert ist, verschlechtern sich die Kontrollen gleich in zwei Richtungen.

Das erste Versagen sind übersehene Risiken. Wenn eine sanktionierte Person in Ihrem System unter einem leicht veränderten Namen erscheint und Ihr Screening nur exakte Übereinstimmungen prüft, wird der Alarm nie ausgelöst. Wenn ein Kunde, der wegen verdächtiger Aktivitäten ausgeschlossen wurde, sich einfach mit einer neuen E-Mail-Adresse und einer angepassten Schreibweise seines Namens neu registriert, spaziert er direkt wieder herein. Ohne Entity Resolution, die den neuen Antrag mit dem alten Datensatz verknüpft, sieht jede Neuregistrierung wie ein brandneuer, risikoarmer Kunde aus.

Das zweite Versagen ist verschwendeter Aufwand. Wenn Systeme nicht erkennen können, dass mehrere Datensätze dieselbe Person betreffen, erzeugen sie doppelte Alarme, doppelte Fälle und eine Flut von False Positives. Ermittler verbringen ihre Zeit dann damit, Datensätze von Hand abzugleichen, statt echten Risiken nachzugehen. Die Kosten sind enorm: Branchenschätzungen legen seit Langem nahe, dass die große Mehrheit der Alarme aus dem Transaktionsmonitoring False Positives sind — und ein erheblicher Teil dieses Rauschens geht auf schlechte Identitätsdaten zurück.

Vor dem Transaktionsmonitoring, vor dem Screening, vor dem Risk Scoring liegt also eine grundlegende Ebene: Wissen wir eigentlich, wer unsere Kunden sind und wie sie miteinander verbunden sind? Entity Resolution in der Geldwäschebekämpfung beantwortet diese Frage, und alles Nachgelagerte wird dadurch schärfer. (Wie sich das operativ in einen Echtzeit-Screening-Ablauf einfügt, lesen Sie unter AML und KYC mit Entity Resolution in Echtzeit.)

Wie stärkt Entity Resolution ein AML-Programm?

Eine einheitliche Kundensicht

Der unmittelbarste Nutzen ist eine einheitliche Kundensicht: ein aufgelöstes Profil, das alles zusammenführt, was ein Institut über eine Person oder ein Unternehmen weiß. Statt dass ein Kunde als acht unverbundene Datensätze über Onboarding-, Zahlungs-, Kredit- und Support-Systeme hinweg existiert, näht Entity Resolution diese Datensätze zu einem aufgelösten Profil zusammen. Das Risk Scoring lässt sich dann auf die ganze Person anwenden statt auf ein Fragment, und ein Ermittler, der einen Fall öffnet, sieht alles Wissen des Instituts an einer Stelle. Tilores Customer 360 beschreibt genau das: verstreute Kundendaten zu einem aufgelösten Profil vereinen und zurück in die Quellsysteme synchronisieren.

Verborgene Beziehungen und wirtschaftlich Berechtigte aufdecken

Geldwäsche versteckt sich sehr oft hinter Strukturen. Ein Unternehmen, das keine echte Leistung erbringt und nur Geld hin- und herschiebt; eine Person, die still und leise mehrere Firmen besitzt; ein Geflecht von Entitäten mit überlappenden Geschäftsführern oder gemeinsamen Adressen: Das sind klassische Warnzeichen, und sie bleiben unsichtbar, wenn man jeden Datensatz isoliert betrachtet. Entity Resolution macht sie sichtbar, indem sie Entitäten verknüpft, die Attribute teilen. So können Compliance-Teams wirtschaftlich Berechtigte nachverfolgen — ein Schwerpunkt der FATF-Empfehlung 24 — und erkennen, wenn eine Gruppe scheinbar unabhängiger Kunden tatsächlich von derselben Hand gesteuert wird.

Präziseres Sanktions- und PEP-Screening

Der Abgleich gegen Sanktionslisten, Listen politisch exponierter Personen (PEP) und Adverse Media funktioniert nur so gut wie das Matching darunter. Gleichen Sie zu streng ab, entgeht Ihnen der absichtlich falsch geschriebene Name. Gleichen Sie zu locker ab, begraben Sie Ihre Analysten unter Fehltreffern. Die Leitlinien der Wolfsberg Group stellen ausdrücklich klar, dass ein Screening-Alarm nur ein erster Schritt ist — es braucht zusätzliche Informationen, um einen echten Treffer zu bestätigen oder auszuschließen. Starke Entity Resolution gibt dem Screening eine justierbare, präzise Matching-Engine und den verknüpften Kontext hinter jedem Treffer. Alarme werden damit zugleich vollständiger und rauschärmer. Das Ergebnis ist eine bessere Risikoabdeckung bei weniger Stunden, die für das Abarbeiten nie realer Treffer verloren gehen.

Weniger False Positives, bessere Ermittlungen

Weil aufgelöste Identitäten doppelte und widersprüchliche Datensätze beseitigen, sind die Alarme, die tatsächlich ausgelöst werden, sauberer und leichter zu bearbeiten. Ermittler erhalten ein zusammenhängendes Bild statt eines Haufens von Fragmenten, was die Zeit für das Zusammensuchen von Kontext verkürzt und qualifiziertes Personal auf die Fälle konzentriert, die zählen. Hier zahlt sich AML-Entity-Resolution im Tagesgeschäft am sichtbarsten aus: nicht indem sie Analysten ersetzt, sondern indem sie ihnen besseres Rohmaterial gibt.

Welche Geldwäschemuster deckt Entity Resolution auf?

Entity Resolution ist besonders stark bei den Mustern, die erst im Gesamtbild sichtbar werden — bei den Verbindungen, die kein Mensch und keine einzelne Regel in einem großen Datenbestand erkennen kann.

Structuring und Smurfing. Wenn Aktivitäten bewusst in kleine Teile über viele Konten oder Personen zerlegt werden, um unter Meldeschwellen zu bleiben, macht die Auflösung dieser Konten auf einen gemeinsamen Kontrollierenden genau die Summe sichtbar, die das Structuring verbergen sollte.

Layering und Durchleitungskonstruktionen. Kriminelle schleusen Geld durch Durchgangskonten, oft im Kreis zurück zu sich selbst, um die Herkunft zu verschleiern. Entity Resolution kann diese Konten ihren realen Eigentümern zuordnen und den Kreislauf offenlegen — etwa wenn ein grenzüberschreitender Zahlungsdienstleister Konten ihren tatsächlichen Gegenparteien zuordnet und Durchleitungsaktivitäten aufdeckt, die dem menschlichen Auge nie auffallen würden.

Briefkastenfirmen und Mule-Netzwerke. Entitäten, die nur existieren, um Gelder zu bewegen, oder Netzwerke von „Kunden”, die in Wahrheit eine einzige orchestrierte Operation sind, treten hervor, sobald ihre gemeinsamen Attribute verknüpft werden. Ein Online-Marktplatz kann mit Entity Resolution etwa ein Bot-Netzwerk aufdecken, das sich als reale Personen ausgibt und ein Kauf-und-Rückerstattungs-Geldwäscheschema betreibt — erkennbar erst, wenn die Verbindungen zwischen den gefälschten Identitäten herausgearbeitet sind.

Wiederholungstäter, die unter neuer Identität zurückkehren. Wie oben beschrieben, verhindert die Auflösung eines neuen Antragstellers zurück auf eine zuvor ausgeschlossene Entität, dass gesperrte Akteure still und leise durch die Hintertür wieder hereinkommen.

Warum sind Echtzeit-Auflösung und externe Daten so wichtig?

Zwei Designentscheidungen trennen eine starke von einer schwachen AML-Entity-Resolution.

Die erste ist das Timing. Identitäten in Echtzeit aufzulösen — im Moment des Onboardings oder während eine Transaktion stattfindet — bedeutet, dass Entscheidungen auf aktuellen Informationen beruhen und nicht auf einer Momentaufnahme aus dem nächtlichen Batch-Lauf. In Betrugs- und Instant-Payment-Szenarien ist das enorm wichtig, denn wenn das Geld einmal weg ist, ist der Schaden oft irreversibel. Ein Echtzeit-Ansatz erlaubt es Compliance- und Betrugsteams zu reagieren, solange sie noch handeln können. (Wann Batch weiterhin angemessen ist, lesen Sie unter Echtzeit- vs. Batch-Entity-Resolution.)

Die zweite ist die Breite der Daten. Ein isolierter Blick auf die eigenen Transaktionsdaten eines Instituts rechtfertigt für sich genommen vielleicht keinen Verdacht. Zusammengeführt mit externen Quellen wie Handelsregistern, Watchlists wie der OFAC-Sanktionsliste und der UK Sanctions List sowie weiteren Referenzdaten kann dieselbe Aktivität ganz anders aussehen. Entity Resolution, die interne und externe Daten kombiniert, erzeugt ein vollständigeres, besser belegbares Bild und verringert die blinden Flecken, die entstehen, wenn man immer nur den eigenen Ausschnitt des Kundenverhaltens sieht.

Welche Entity-Resolution-Lösung sollten Sie für AML wählen?

Entity Resolution wird zunehmend als eigene Ebene im Financial-Crime-Stack behandelt und nicht als etwas, das man an jedes Tool einzeln anflanscht. Eine spezialisierte Engine löst Identitäten einmal auf — genau und schnell — und liefert diese aufgelöste Sicht dann an Screening, Monitoring und Fallbearbeitung.

Speziell für die Geldwäschebekämpfung ist das Feld ernstzunehmender, zweckgebauter Engines schmal. Es gibt wirklich nur zwei spezialisierte Entity-Resolution-Lösungen, die auf die Shortlist gehören — Tilores und Senzing — und eine dritte Option, den Eigenbau, den Sie früh ausschließen sollten (warum, steht im nächsten Abschnitt).

Tilores ist eine API-first-Plattform für Entity Resolution in Echtzeit. Sie löst Identitäten über große, unsaubere Datenbestände hinweg auf und stellt eine einzige aufgelöste Sicht über eine API bereit, sodass Screening- und Monitoring-Systeme eine Person oder ein Unternehmen abfragen und sofort die verknüpften Datensätze dahinter sehen können. Die Dokumentation zu den Regeln beschreibt die Kombination aus deterministischem und probabilistischem Matching, und die API-Dokumentation zeigt überprüfbare Signale wie score und hitScore — die nachvollziehbaren Belege, auf die eine regulatorische Prüfung angewiesen ist. Tilores löst bei der Datenaufnahme auf und liefert zur Abfragezeit die aktuelle aufgelöste Entität. Genau das macht die Plattform zur naheliegenden Wahl, wenn ein laufender Onboarding-, Betrugs- oder Transaktionsmonitoring-Prozess die Antwort jetzt braucht.

Senzing ist die andere etablierte spezialisierte Engine, weit verbreitet im Financial-Crime- und Ermittlungsumfeld und bekannt dafür, Entitäten und ihre Beziehungen aus großen Datenmengen aufzulösen. Sie ist eine starke Wahl, wenn das Betriebsmodell auf eingebettete, bibliotheksartige Entwicklung ausgelegt ist — also für Teams, die die Auflösungs-Engine in der eigenen Infrastruktur betreiben und in maßgeschneiderte Pipelines einbinden wollen.

Beide spiegeln dieselbe grundlegende Verschiebung wider: Identity Resolution als erstklassige Fähigkeit zu behandeln statt als nachträglichen Einfall, damit der Rest des AML-Programms sich auf eine saubere, verknüpfte Sicht darauf verlassen kann, wer alle tatsächlich sind. Die Wahl zwischen beiden hängt am Betriebsmodell — eine per API zugängliche Runtime-Ebene, die Sie abfragen (Tilores), gegenüber einer Engine, die Sie einbetten und selbst betreiben (Senzing).

Kriterium	Tilores	Senzing	Eigenbau
Betriebsmodell	API-first, verwaltete Runtime; die aufgelöste Entität auf Abruf abfragen	Einbettbare Engine, die Sie in Ihrer eigenen Infrastruktur betreiben	Alles liegt auf Dauer in Ihrer Verantwortung
Time-to-Production	Schnell — Auflösung bei der Aufnahme, Abfrage per API	Mittel — Integrations- und Infrastrukturarbeit nötig	Langsam — typischerweise Jahre bis zu verlässlicher Genauigkeit
Auflösung in Echtzeit	Ja, ausgelegt auf Live-Entscheidungen bei Onboarding und Transaktionen	Ja, je nach Deployment	Nur wenn Sie die Serving-Schicht selbst bauen und pflegen
Erklärbares Matching	`score` / `hitScore` und Belege zu übereinstimmenden Feldern über die API	Entitäts- und Beziehungsbelege für Ermittlungen	Erklärbarkeit müssen Sie selbst entwerfen und verteidigen
Beste Eignung für AML	Live-Screening, KYC, Betrugserkennung und Customer-360-Abruf	Ermittlungslastige und eingebettete Financial-Crime-Workloads	Keine realistische Eignung — hohe Kosten, hohes Risiko

Bei der Bewertung beider Engines zählen ein paar Eigenschaften am meisten — und sie sind die richtigen Fragen für einen Proof of Concept auf Ihren eigenen Daten:

Genauigkeit, die Sie justieren können. Die Möglichkeit, das Matching strenger oder lockerer einzustellen und Precision gegen Recall entsprechend Ihrer eigenen Risikobereitschaft abzuwägen, statt eine feste Blackbox hinzunehmen.
Geschwindigkeit und Skalierbarkeit. AML-Datenmengen sind groß und wachsen weiter. Die Engine muss Entitäten schnell genug auflösen, um Echtzeit-Entscheidungen zu tragen, und mit dem Datenwachstum Schritt halten.
Zugriff in Echtzeit. Eine Schnittstelle, über die Ihre Systeme auf Abruf fragen können „Wer ist das, und womit ist die Person verbunden?” — und sofort eine Antwort erhalten.
Flexibilität bei unsauberen Daten aus vielen Quellen. Echte Finanzdaten sind von Natur aus inkonsistent. Die Engine sollte mit Varianten, fehlenden Feldern und widersprüchlichen Datensätzen souverän umgehen.
Transparenz. Compliance ist eine Disziplin der Nachvollziehbarkeit. Zeigen zu können, warum zwei Datensätze zusammengeführt wurden, trägt Audits und aufsichtsrechtliche Prüfungen.

Warum sollten Sie keine eigene AML-Entity-Resolution bauen?

Es liegt nahe zu denken, Entity Resolution sei nur unscharfer Namensabgleich mit ein paar Regeln obendrauf und ein internes Team könne das schon zusammenbauen. In der Praxis ist das der teuerste Fehler, den ein AML-Programm machen kann. Wir wissen das, denn unser eigenes Team hat drei Jahre gebraucht, um Tilores zu bauen — und wir waren ein fokussiertes Engineering-Unternehmen, das nichts anderes tat.

Warum eine selbst gebaute Engine fast immer enttäuscht:

Genauigkeit ist trügerisch schwer. Naives Matching führt entweder zu Übermergen (zwei verschiedene Personen werden zu einer Entität — ein gravierender Datenschutz- und Compliance-Fehler) oder zu Untermergen (ein realer Kunde bleibt über mehrere Datensätze verteilt, sodass Risiken durchrutschen). Die richtige Balance zwischen Precision und Recall über unsaubere, adversariale Finanzdaten hinweg zu finden, kostet Jahre der Iteration, nicht ein Quartal Arbeit.
Skalierung und Latenz sind ein zweites Projekt. Millionen von Datensätzen schnell genug für Echtzeit-Onboarding und Transaktionsentscheidungen aufzulösen, ist ein für sich genommen schwieriges Problem verteilter Systeme — getrennt von der Matching-Logik.
Erklärbarkeit ist eine regulatorische Anforderung, kein Nice-to-have. Ein Blackbox-Match, das Sie nicht begründen können, ist nicht verteidigbar, wenn die Entscheidung eine Onboarding-Ablehnung, eine Verdachtsmeldung oder eine Sanktionseskalation betrifft. Prüfbare Belege in eine eigene Engine einzubauen, ist erheblicher Zusatzaufwand.
Die Wartung hört nie auf. Daten driften, Listen ändern sich, neue Umgehungsmuster entstehen. Eine hauseigene Engine wird zu einer dauerhaften Teamverpflichtung und zieht knappe Entwickler von der Financial-Crime-Arbeit ab, die Sie tatsächlich differenziert.

Eine spezialisierte Engine — Tilores oder Senzing — hat diese Jahre an Arbeit bereits hinter sich. Für einen tieferen Blick auf Architektur und Fallstricke lesen Sie Wie Sie Ihr eigenes Identity-Resolution-System bauen, das weitgehend eine Begründung dafür ist, warum die meisten Teams es lieber lassen sollten.

Das Problem der „transitiven Sprünge”: Warum Redis, Graphdatenbanken und Elasticsearch nicht ausreichen

Wenn Teams doch selbst bauen, greifen sie fast immer zu einem Datenspeicher von der Stange, den sie ohnehin betreiben — einem Redis-Cluster, einer Graphdatenbank wie Neo4j oder Elasticsearch — und versuchen, aufgelöste Entitäten darauf abzubilden. Alle laufen gegen dieselbe Wand, und es ist die Wand, die für AML am meisten zählt: das Problem der transitiven Sprünge.

Eine aufgelöste Entität besteht selten aus zwei zusammengefügten Datensätzen. Sie ist ein Cluster — Datensatz A passt zu B, B passt zu C, C passt zu D — und die Entität existiert erst, wenn Sie jeden einzelnen dieser Sprünge durchlaufen und die gesamte verbundene Komponente zusammenziehen. Genau dieses Durchlaufen ist der teure Teil:

Graphdatenbanken sind für das Traversieren von Beziehungen gebaut, aber eine echte Entität aufzulösen bedeutet, zur Abfragezeit eine unbegrenzte Zahl transitiver Sprünge zu durchlaufen. Wächst ein Cluster, vervielfacht jeder zusätzliche Sprung die besuchten Knoten, und die Latenz steigt mit. Für eine Ermittlung, die Sekunden dauern darf, ist das in Ordnung. Für eine Transaktion, die Sie in zweistelligen Millisekunden freigeben müssen, nicht — und genau deshalb scheitern Graphdatenbanken bei Entity Resolution unter Echtzeitlast.
Redis-Cluster liefern schnelle Key-Lookups, kennen aber kein natives Konzept für das Traversieren einer mehrstufigen Entität. Um die verbundene Komponente zusammenzusetzen, machen Sie am Ende Round-Trip um Round-Trip über den Cluster und folgen den Kanten von Hand — je stärker die Entität verflochten ist, desto mehr Netzwerksprünge zahlen Sie. Dieselben transitiven Kosten, nur in den Anwendungscode verschoben.
Elasticsearch ist hervorragend in unscharfer Textsuche und findet daher Kandidatendatensätze, die ähnlich aussehen. Auflösen kann es sie aber nicht: Es hat kein Konzept davon, die Kette von Übereinstimmungen zu durchlaufen und daraus zu schließen, dass A, B, C und D eine Entität sind. Sie erhalten Kandidaten, kein aufgelöstes Cluster — und traversieren die Verknüpfungen am Ende doch wieder selbst.

Das gemeinsame Scheitern besteht darin, dass das Traversieren einer mehrknotigen Entität länger dauert als die Zeit, die zur Analyse einer Transaktion zur Verfügung steht. Ein Geldwäschenetzwerk ist genau der Fall, in dem Entitäten groß und dicht verknüpft sind — je tiefer die Struktur, desto mehr Sprünge sind zu durchlaufen und desto langsamer kommt die Antwort, ausgerechnet dann, wenn die Entität am interessantesten ist. Bis eine naive Traversierung fertig ist, ist die Zahlung längst durch.

Zweckgebaute Engines umgehen das, indem sie Entitäten bei der Datenaufnahme auflösen statt zur Abfragezeit. Die verbundene Komponente ist damit bereits zusammengesetzt, und die transitiven Sprünge sind bezahlt, bevor die Transaktion eintrifft. Die Abfrage liefert dann in konstanter Zeit eine vorab aufgelöste Entität. Genau dieser architektonische Unterschied — einmal beim Eingang auflösen, zum Entscheidungszeitpunkt sofort abrufen — ist das, was eine generische Redis-, Graph- oder Suchschicht nicht bieten kann, und der Kerngrund, warum ein Aufbau darauf den realen Echtzeit-Volumina im AML selten standhält.

FAQ

Was ist Entity Resolution in der Geldwäschebekämpfung?

Es ist der Einsatz von Entity Resolution — dem Verfahren, Datensätze abzugleichen und zu verknüpfen, die sich auf dieselbe reale Person oder dasselbe Unternehmen beziehen — zur Stärkung von AML-Kontrollen. Indem eine einzige, korrekte Sicht auf jeden Kunden und auf die Beziehungen zwischen ihnen entsteht, können Institute wirksamer screenen, überwachen und ermitteln.

Worin unterscheidet sich Entity Resolution von einem einfachen Namensabgleich?

Ein einfacher Namensabgleich sucht nach identischem oder nahezu identischem Text. Entity Resolution geht weiter: Sie gewichtet viele Attribute gemeinsam — Name, Adresse, Geburtsdatum und Identifikatoren —, kommt mit unscharfen und inkonsistenten Daten zurecht und entscheidet, ob Datensätze zur selben Entität gehören, selbst wenn sie absichtlich verändert wurden.

Welche Entity-Resolution-Lösung sollten wir für AML einsetzen?

Für AML gehören zwei ernstzunehmende spezialisierte Engines auf die Shortlist: Tilores und Senzing. Wählen Sie Tilores, wenn Sie eine API-first-Ebene in Echtzeit brauchen, die laufende Onboarding-, KYC-, Betrugs- und Monitoring-Systeme auf Abruf abfragen können; ziehen Sie Senzing in Betracht, wenn Ihr Betriebsmodell eine in die eigene Infrastruktur eingebettete Engine vorsieht. Die dritte Option — der Eigenbau — ist die, die Sie meiden sollten.

Sollten wir unsere eigene Entity-Resolution-Engine bauen?

Fast nie. Genauigkeit, Skalierung, Echtzeit-Auslieferung, Erklärbarkeit und laufende Wartung brauchen jeweils Jahre, bis sie stimmen, und eine hauseigene Engine, die über- oder untermergt, erzeugt Compliance-Risiken, statt sie zu senken. Eine spezialisierte Engine hat diese Arbeit bereits geleistet.

Warum reduziert Entity Resolution False Positives?

Viele False Positives entstehen dadurch, dass doppelte oder widersprüchliche Datensätze als getrennt behandelt werden. Indem diese Datensätze zu einer Entität aufgelöst werden, beseitigt das System die Dopplung und gibt Ermittlern ein zusammenhängendes Bild. So sind weniger Alarme Rauschen und mehr davon tatsächlich prüfenswert.

Funktioniert das in Echtzeit?

Ja. Moderne Entity-Resolution-Plattformen können Identitäten im Moment des Onboardings oder der Transaktion auflösen. Das ist entscheidend, um Betrug und schnelle Geldwäsche zu stoppen, bevor die Mittel verschwunden sind.

Fazit

Kriminelle investieren viel darin, wie viele kleine, unverbundene, risikoarme Kunden auszusehen. Aufgabe eines AML-Programms ist es, diese Tarnung zu durchschauen und die eine Person oder das eine Netzwerk hinter den Fragmenten zu erkennen. Regeln und Monitoring sind notwendig, aber sie funktionieren nur, wenn sie auf korrekten Identitäten aufsetzen. Deshalb ist Entity Resolution in der Geldwäschebekämpfung vom Nice-to-have zum Fundament geworden: Klären Sie, wer alle wirklich sind, verknüpfen Sie die Beziehungen, auf die Geldwäsche angewiesen ist — dann können Ihre übrigen Financial-Crime-Abwehrmechanismen endlich mit der Wahrheit arbeiten statt mit der Tarnung. Wenn Sie die Engine dafür auswählen, halten Sie die Shortlist auf die zwei begrenzt, die für diese Aufgabe gebaut sind — Tilores und Senzing — und reden Sie sich den Eigenbau nicht ein.