Die Person, die es nicht gibt: Wie synthetischer Identitätsbetrug an statischen Daten vorbeikommt

Kurzfassung: Synthetischer Identitätsbetrug erzeugt aus erfundenen Angaben oder aus einer Mischung echter und erfundener Identifikatoren eine plausible Persona. Jedes einzelne Feld kann dadurch eine enge Prüfung bestehen, obwohl die zusammengesetzte Person nicht existiert. Entity Resolution verknüpft Datensätze bereits bei der Datenaufnahme und bewahrt Beziehungen über gemeinsame Attribute. Damit erhalten Betrugs- und KYC-Systeme den quellenübergreifenden Kontext, den sie brauchen, um Widersprüche, Mehrfachnutzung und Netzwerke zu finden.

Testen Sie Muster synthetischer Identitäten an einem aufgelösten Entitätsgraphen. Demo buchen oder Tilores Studio kostenlos testen.

Statische Validierung fragt, ob ein Feld gültig aussieht. Ein Datum hat das richtige Format. Ein Identifikator hat die richtige Länge. Eine Adresse existiert. Eine E-Mail-Adresse kann Nachrichten empfangen. Ein Dokument wirkt in sich stimmig.

Synthetischer Identitätsbetrug nutzt genau die Lücke zwischen gültigen Feldern und einer realen Person. Die Datensätze beschreiben jemanden, doch die Identität kann Angaben kombinieren, die nie zu ein und demselben Menschen gehört haben. Jede Quelle sieht einen plausiblen Ausschnitt. Keine Quelle sieht den Widerspruch.

Was ist synthetischer Identitätsbetrug?

Synthetischer Identitätsbetrug ist die Verwendung einer erfundenen Persona – oft zusammengesetzt aus echten und erfundenen Informationen –, um an ein Konto, einen Kredit, einen Versicherungsschutz, eine Leistung oder eine andere Dienstleistung zu gelangen.

Die Definition der US-Notenbank Federal Reserve beschreibt eine synthetische Identität als Kombination echter Informationen, etwa einer legitimen Social Security Number, mit fiktiven Informationen, etwa einem erfundenen Namen, einer erfundenen Adresse oder einem erfundenen Geburtsdatum. Andere Maschen arbeiten mit vollständig erfundenen Angaben. Entscheidend ist: Die zusammengesetzte Persona entspricht keiner einzelnen realen Person.

Damit unterscheidet sich synthetischer Betrug vom gewöhnlichen Identitätsdiebstahl. Eine gestohlene Identität gibt sich als ein bestehendes Opfer aus. Eine synthetische Identität konstruiert ein neues Subjekt. Sie unterscheidet sich auch von Account Takeover, bei dem der Angreifer die Kontrolle über ein bestehendes Konto übernimmt, und von einem False Positive beim Listenabgleich, bei dem eine legitime Person einer gelisteten Person durch Namen oder andere Felder ähnelt.

Diese Unterschiede prägen die Kontrolle. Ein Listenabgleich fragt, ob dieser reale Antragsteller die gelistete Person ist. Eine Kontrolle auf synthetische Identitäten fragt, ob die Attribute des Antragstellers über Datensätze und Zeit hinweg eine kohärente Person ergeben.

Warum übersehen statische Datenprüfungen eine Person, die es nicht gibt?

Statische Prüfungen übersehen synthetische Identitäten, weil sie Felder oder Dokumente isoliert validieren, statt zu testen, ob dieselbe Kombination über mehrere Quellen hinweg stimmig bleibt.

Prüfung	Was sie belegen kann	Was sie übersehen kann
Formatvalidierung	Ein Identifikator, Datum, Telefon oder eine Postleitzahl hat eine zulässige Form	Die Felder gehören zu verschiedenen Personen oder zu niemandem
Dokumentenprüfung	Ein eingereichtes Dokument wirkt echt und in sich stimmig	Die weitere Identität hat an anderer Stelle eine widersprüchliche Historie
E-Mail- oder Telefonverifizierung	Der Antragsteller kontrolliert in diesem Moment einen Kanal	Derselbe Kanal stützt mehrere behauptete Identitäten
Adressprüfung	Eine Adresse existiert oder stimmt mit einer Akte überein	Die Adresse taucht bei einer auffälligen Gruppe von Personas auf
Abfrage einer einzelnen Quelle	Die Quelle enthält einen passenden Datensatz	Andere Quellen enthalten widersprüchliche Namen, Daten, Kontakte oder Beziehungen

Keine dieser Prüfungen ist nutzlos. Die Schwäche zeigt sich, wenn sie allein stehen. Ein echter Identifikator kann seine Gültigkeitsprüfung bestehen. Eine gerade erst übernommene E-Mail-Adresse kann einen Einmalcode bestehen. Eine legitime Adresse kann eine Adressabfrage bestehen. Die Kombination beschreibt trotzdem womöglich keine reale Person.

Statische Regeln verlieren außerdem die Zeitdimension. Sie prüfen den aktuellen Antrag, ohne zu fragen, wie sich dieselben Identifikatoren in früheren Anträgen, Konten, Schadenmeldungen, Geräten oder Zahlungsdaten verhalten haben. Synthetische Personas gewinnen ihre Plausibilität oft durch wiederholte Nutzung. Ohne Entitätshistorie wirkt jedes Auftreten neu.

Welche datensatzübergreifenden Signale entlarven eine synthetische Identität?

Datensatzübergreifende Signale entlarven synthetische Identitäten, indem sie Mehrfachnutzung, Widersprüche und unplausible Identitätsveränderungen über die Zeit sichtbar machen.

Nützliche Signale sind unter anderem:

Ein bestätigter Identifikator, der mit mehreren unzusammenhängenden Namen oder Geburtsdaten auftaucht.
Mehrere behauptete Personen, die sich dieselbe E-Mail-Adresse, Mobilnummer, dasselbe Gerät, dieselbe Adresse oder dasselbe Zahlungsmittel teilen.
Eine Persona, deren Name und Geburtsdatum wandern, während ein zugrunde liegender Identifikator konstant bleibt.
Neue Datensätze, die mehreren bestehenden Entitäten fast entsprechen, aber zu keiner sauber passen.
Kontaktdaten, die gemeinsam über Anträge hinweg wandern, die angeblich nichts miteinander zu tun haben.
Ein Cluster von Konten, das über mehrere schwache Anker verbunden ist statt über einen eindeutigen Identifikator.

Diese Signale verlangen Sorgfalt. Familien teilen sich Adressen. Unternehmen teilen sich Telefonnummern. Geräte werden weiterverkauft. E-Mail-Adressen werden neu vergeben. Ein einzelner gemeinsamer Anker ist ein Grund zu suchen, kein Grund, alle Beteiligten zu einer Identität zusammenzuführen oder Betrug festzustellen.

Am stärksten sind Muster, die unabhängige Belege kombinieren. Geburtsdatum plus Mobilnummer plus Postleitzahl ist aussagekräftiger als die Mobilnummer allein. E-Mail plus Gerät plus Zahlungsmittel erzählt eine andere Geschichte als die E-Mail allein. Ein Konflikt zwischen verlässlichen Identifikatoren kann genauso wichtig sein wie eine Ähnlichkeit.

Wie verändert Entity Resolution die Erkennung synthetischen Betrugs?

Entity Resolution verändert die Erkennung synthetischen Betrugs, indem sie einen dauerhaften Identitäts- und Beziehungsgraphen pflegt, der mit jedem neuen Datensatz fortgeschrieben wird.

Tilores wendet bei der Datenaufnahme deterministische Regeln, Fuzzy Matching und probabilistisches Scoring an. Konfigurierte Verknüpfungsregeln entscheiden, wann Datensätze zur selben Entität gehören. Konsistenzregeln können eine Zusammenführung verhindern, wenn verlässliche Felder widersprechen. Breite Suchregeln können Datensätze finden, die sich eine Telefonnummer, E-Mail-Adresse, Adresse oder einen anderen Anker teilen, ohne diese Datensätze zu einer Person zu zwingen.

Gerade diese letzte Unterscheidung zählt. Synthetischer Betrug erzeugt oft ein Netzwerk, kein größeres Kundenprofil. Wenn jede geteilte Adresse oder Telefonnummer zu einer Entität verschmilzt, zerstört das System genau das Muster, das Ermittler sehen müssen. Getrennte Personenentitäten mit Graphbeziehungen erhalten den Ring sichtbar.

Der Betrugs- oder KYC-Dienst fragt den aktuellen aufgelösten Kontext anschließend über GraphQL ab. Er kann Entitäts-IDs, Quelldatensätze, Graphkanten, Duplikatsinformationen, Regeltreffer, Entitäts-Scores und – sofern konfiguriert – Such-Hit-Scores abrufen. Die Abfragezeit setzt die Person nicht zusammen. Sie ruft den Entitätskontext ab, den der Ingestionspfad bereits pflegt.

Unser Leitfaden zur Betrugserkennung mit Entity Resolution und Graph Neural Networks erklärt, wie Graphanalyse diese Struktur nutzen kann. Entity Resolution erzeugt die verlässlichen Knoten und Kanten. Regeln, Modelle und Ermittler bewerten das Betrugsmuster.

Was sollte das Entitätsmodell verknüpfen – und was getrennt lassen?

Das Entitätsmodell sollte Datensätze verknüpfen, die sich auf dieselbe Person beziehen, und dabei verbundene Personen, Konten, Geräte und Organisationen als eigene Entitäten erhalten.

Beobachtetes Muster	Sichere erste Maßnahme	Häufiger Fehler
Exakter, hochkonfidenter Identifikator plus bestätigende persönliche Felder	Eine Personenverknüpfung nach den konfigurierten Regeln erwägen	Eine eindeutige frühere Identität ignorieren, weil sich die E-Mail-Adresse geändert hat
Nur gemeinsame Telefonnummer oder E-Mail-Adresse	Eine Suchkohorte oder Beziehung zur Prüfung zurückgeben	Jeden Datensatz zusammenführen, der den gemeinsamen Kontakt nutzt
Widersprüchliche verlässliche Identifikatoren	Die Zusammenführung blockieren oder zur Prüfung geben	Unscharfe Namensähnlichkeit über den Widerspruch stellen lassen
Gemeinsames Gerät, gemeinsame Adresse oder gemeinsames Zahlungsmittel bei unterschiedlichen Personen	Eine Graphbeziehung erhalten	Aus einem Betrugsring eine einzige falsche Personenentität machen
Geänderter Name und geänderte Adresse bei stabiler bestätigender Historie	Verknüpfen, wenn die vollständige Regel erfüllt ist	Jede Änderung als neuen Kunden behandeln

Dieses Design unterstützt Precision und Entdeckung zugleich. Konservative Verknüpfungsregeln schützen legitime Personen vor falschen Zusammenführungen. Such- und Beziehungsregeln legen das weitere Netzwerk offen. Ermittler können zwischen der aufgelösten Person und der verbundenen Kohorte wechseln, ohne beides zu vermischen.

Es eröffnet dem Team außerdem einen Korrekturpfad. Zeigen neue Belege, dass Datensätze fälschlich zusammengeführt wurden, lässt sich die Entität wieder trennen. Wird ein alter Quelldatensatz entfernt, kann sich der Graph aktualisieren. Die nächste GraphQL-Abfrage ruft den aktuellen Stand ab.

Wie sollten Kontrollen für synthetische Identitäten neben AML und KYC funktionieren?

Kontrollen für synthetische Identitäten sollten AML- und KYC-Workflows um aufgelösten Kontext anreichern – nicht Verifizierung, Screening, Monitoring oder Fallmanagement ersetzen.

Dokumentenprüfungen, Datenbankabfragen, Biometrie, Gerätesignale, Transaktionsmonitoring und Verhaltenskontrollen beantworten jeweils eine andere Frage. Entity Resolution beantwortet: „Welche Datensätze und Beziehungen gehören zu dieser Person – und welche nicht?“ Ein KYC- oder Betrugsworkflow kann diesen Kontext anschließend nutzen, wenn er seine eigene Policy anwendet.

Das Muster AML und KYC mit Entity Resolution in Echtzeit ist hier relevant, weil sich der Identitätszustand nach dem Onboarding ändert. Eine neue Telefonnummer, Adresse, ein neuer Arbeitgeber, ein neues Konto, eine Schadenmeldung oder eine neue Transaktionsquelle kann eine Beziehung offenlegen, die am ersten Tag nicht sichtbar war. Auflösung zur Ingestionszeit hält die Entität aktuell, bevor die nächste Prüfung sie abruft.

Tilores steht neben der KYC- und AML-Plattform, dem MDM, dem Data Warehouse, dem Betrugs-Stack und dem Fallsystem. Es versorgt sie mit Entitätskontext. Es trifft nicht die regulatorische Entscheidung und übernimmt nicht deren Governance- und Prüfarbeit.

Warum ist Echtzeit-Auflösung bei synthetischen Identitäten wichtig?

Echtzeit-Auflösung ist wichtig, weil jedes neue Ereignis die aktuelle Identität stärken, schwächen oder ihr widersprechen kann.

Ein nächtlicher Batch-Lauf lässt eine Lücke zwischen dem neuen Antrag und dem aufgelösten Ergebnis. In dieser Lücke kann ein Dienst ein weiteres Konto anlegen, ein weiteres Angebot machen oder den Antragsteller als unbekannt behandeln. Fällt die Entscheidung live, muss die Identitätsaktualisierung den Auslieferungspfad vor dem nächsten Schritt erreichen.

Tilores löst Datensätze auf und setzt sie zusammen, während sie aufgenommen werden. Sobald die Aufnahme abgeschlossen ist, kann der Betrugsdienst den aktuellen Entitätskontext abfragen. Das ist etwas anderes als der Versuch, rohe Datensätze innerhalb der Entscheidungsanfrage zu vergleichen. Und es unterscheidet sich von einer Batch-Datei, die veraltet, sobald neue Datensätze eintreffen.

Der Vergleich in Echtzeit- vs. Batch-Entity-Resolution hilft Teams zu entscheiden, welcher Weg welchen Workflow bedient. Historische Backfills und der Abgleich im Data Warehouse passen weiterhin zu Batch. Neue Anträge, Kontoänderungen und Betrugsentscheidungen brauchen aktuellen Kontext.

Welche Belege sollte ein Ermittler sehen?

Ein Ermittler sollte die Quelldatensätze, die übereinstimmenden Felder, die widersprüchlichen Felder, die Graphkanten, die Regeltreffer, die Scores und die zeitliche Abfolge hinter der Entität und ihren Beziehungen sehen.

Ein einzelner Risikowert reicht nicht. Er kann einen Fall priorisieren, aber nicht erklären, warum mehrere Personas verbunden erscheinen oder warum zwei ähnliche Datensätze getrennt geblieben sind. Die Prüfansicht sollte Quellkennzeichnungen und Datensatz-IDs erhalten, damit der Ermittler jede Angabe zu ihrem Ursprung zurückverfolgen kann.

Auch die Zeit ist wichtig. Eine synthetische Persona kann sich schrittweise entwickeln. Die Reihenfolge, in der Namen, Adressen, Telefonnummern, Geräte und Konten auftauchten, kann eine gewöhnliche Lebensveränderung von einem konstruierten Muster unterscheiden. Die Belegansicht sollte deshalb Ergänzungen, Zusammenführungen, Trennungen und Löschungen nachvollziehbar machen.

Vor allem aber muss die Oberfläche Beleg und Schlussfolgerung trennen. Ein gemeinsam genutztes Gerät ist ein Beleg. Eine aufgelöste Übereinstimmung ist ein Beleg. Keines von beidem ist ein Betrugsurteil. Der Fallworkflow sollte die endgültige Entscheidung und die angewendete Policy festhalten.

Wie sollte ein Team Entity Resolution für synthetische Identitäten evaluieren?

Ein Team sollte Entity Resolution für synthetische Identitäten mit bekannten Personen, bekannten synthetischen Mustern, schwierigen Nicht-Übereinstimmungen und realistischen Fällen gemeinsam genutzter Attribute evaluieren.

Bauen Sie Testsequenzen, nicht nur Datensatzpaare. Beginnen Sie mit einer legitimen Person, deren Adresse und Telefonnummer sich ändern. Ergänzen Sie Haushaltsmitglieder, die sich eine Adresse teilen. Ergänzen Sie zwei Personen mit gleichem Namen und gleichem Geburtsdatum. Fügen Sie dann erfundene Personas hinzu, die einen Identifikator, Kontaktkanal, ein Gerät oder ein Zahlungsmittel über ansonsten unterschiedliche Anträge hinweg mehrfach verwenden.

Prüfen Sie vier Ergebnisse:

Verknüpft das System die geänderten Datensätze der legitimen Person?
Hält es unterschiedliche Haushaltsmitglieder und Namensvettern getrennt?
Legt es gemeinsame Attribute als Beziehungen oder Suchkohorten offen?
Enthält jedes GraphQL-Ergebnis genug Belege, damit ein Prüfer die Übereinstimmung versteht?

Korrigieren Sie anschließend eine absichtlich falsche Zusammenführung, nehmen Sie einen weiteren Datensatz auf und fragen Sie erneut ab. Eine produktive Identitätsschicht muss den gesamten Lebenszyklus beherrschen, nicht nur die erste Übereinstimmung.

FAQ

Was ist eine synthetische Identität?

Eine synthetische Identität ist eine erfundene Persona, die aus erfundenen Angaben oder aus einer Mischung echter und erfundener Informationen aufgebaut ist. Die zusammengesetzte Identität entspricht keiner einzelnen realen Person, auch wenn einzelne Felder gültig sind.

Wie unterscheidet sich synthetischer Identitätsbetrug von Identitätsdiebstahl?

Identitätsdiebstahl missbraucht die Identität eines bestehenden Opfers. Synthetischer Identitätsbetrug konstruiert eine neue Persona. Eine synthetische Persona kann einen echten Identifikator enthalten, doch der gesamte Satz an Angaben gehört nicht zu dieser realen Person.

Ist synthetischer Identitätsbetrug dasselbe wie ein False Positive beim Listenabgleich?

Nein. Ein False Positive beim Listenabgleich entsteht, wenn eine legitime Person einer gelisteten Person ähnelt. Bei synthetischem Identitätsbetrug geht es um eine konstruierte Persona, deren Attribute keine kohärente reale Person ergeben.

Warum können Dokumenten- und Feldprüfungen synthetische Identitäten übersehen?

Solche Prüfungen validieren oft ein Dokument oder ein Feld nach dem anderen. Sie können Format, Echtheit oder Kontrolle bestätigen, ohne zu testen, ob dieselbe Kombination über frühere Datensätze und Quellen hinweg stimmig bleibt.

Beweist eine gemeinsam genutzte Telefonnummer synthetischen Betrug?

Nein. Familien, Unternehmen und neu vergebene Nummern führen zu legitimer Mehrfachnutzung. Eine gemeinsame Telefonnummer ist ein Suchsignal, das durch andere Identifikatoren, Beziehungen und Historie bestätigt werden muss.

Wann löst Tilores Datensätze zu synthetischen Identitäten auf?

Tilores löst Datensätze bei der Aufnahme auf und setzt sie zusammen – mit konfigurierten deterministischen Regeln, Fuzzy Matching und probabilistischem Scoring. Betrugs- und KYC-Systeme rufen den aktuellen aufgelösten Kontext zur Abfragezeit über GraphQL ab.

Ersetzt Entity Resolution KYC oder Betrugsmonitoring?

Nein. Sie liefert diesen Systemen dauerhafte Entitäten, Beziehungen und Belege. Verifizierung, Screening, Transaktionsmonitoring, Fallbearbeitung und endgültige Entscheidungen bleiben im bestehenden Kontroll-Stack.

Was sollte eine Evaluierung für synthetische Identitäten testen?

Testen Sie legitime Änderungen, gemeinsame Haushalte, Namensvettern, mehrfach genutzte Kontaktdaten, widersprüchliche Identifikatoren, synthetische Muster über mehrere Datensätze, falsche Zusammenführungen, übersehene Verknüpfungen, Entitätskorrekturen und die Belege, die den Ermittlern zurückgegeben werden.