Anomalieerkennung

Die Erkennung von Anomalien bezieht sich auf den Prozess der Identifizierung ungewöhnlicher Muster, Diskrepanzen oder verdächtiger Aktivitäten, die erheblich vom erwarteten bzw. normalen Verhalten innerhalb eines Datensatzes abweichen. Anomalieerkennung ein wichtiges Instrument in den verschiedensten Anwendungsbereichen, wie z. B. Wirtschaftsprüfung, Interne Revision, Cybersicherheit, Betrugserkennung und cyber-physische Systeme. Die Algorithmen zur Erkennung von Anomalien lassen sich in drei Kategorien unterteilen:

(1) Statistische Methoden: Die allgemeine Funktionsweise dieser Methoden basiert auf der Annahme, dass die Daten einer bekannten statistischen Verteilung folgen. So nutzt man mathematische Modelle wie die Gaußsche Verteilung oder die Zeitreihenanalyse, um Datenpunkte zu identifizieren, die erheblich von den erwarteten Mustern abweichen. Um einen Schwellenwert für die Identifizierung von Anomalien festzulegen, werden bei diesen Methoden häufig statistische Metriken wie Mittelwert, Standardabweichung oder Quantile berechnet.

(2) ML-basierte Methoden: Auf maschinellem Lernen basierende Methoden werden häufig zur Erkennung von Anomalien eingesetzt. Dabei kommen überwachte Lernalgorithmen zum Einsatz, die auf markierten Daten trainiert werden, um Anomalien explizit identifizieren zu können. Zugleich werden auf der Grundlage der erlernten Muster neue Datenpunkte als normal oder anomal definiert. Demgegenüber lernen unüberwachte Lernalgorithmen, wie z. B. Clustering oder dichtebasierte Methoden, anhand der vorhandenen Daten normale Muster zu erkennen und kennzeichnen Datenpunkte als Anomalien, die diesen Mustern nicht entsprechen.

(3) Regel-basierte Methoden: Bei regelbasierten Ansätzen wird eine Reihe von vordefinierten Regeln oder Heuristiken definiert, die das erwartete Verhalten des Systems oder des Datensatzes erfassen. Die eingesetzten Regeln beruhen in der Regel auf Expertenwissen oder domänenspezifischen Richtlinien, die für ein spezifisches Problemfeld entworfen und implementiert wurden. Bei der Erkennung von Anomalien mit Hilfe regelbasierter Methoden werden Datenpunkte anhand dieser vordefinierten Regeln überprüft, um Verstöße oder Abweichungen festzustellen. Verstößt ein Datenpunkt gegen eine oder mehrere Regeln, wird dieser als Anomalie gekennzeichnet. Regelbasierte Ansätze sind oft transparent und interpretierbar, da die Bedingungen für die Erkennung von Anomalien seitens der Regeln explizit beschrieben sind.

Für optimale Ergebnisse ist es ratsam, je nach Anwendungsfall ggf. verschiedene Verfahren zur Anomalieerkennung zu kombinieren. Auf diese Weise lassen sich die von jeder einzelnen Methode mitgebrachten Vorteile bestmöglich ausnutzen.

Aufgrund der komplexen und dynamischen Natur steuerbezogener Daten, bieten Techniken zur Erkennung von Anomalien ein immenses Potenzial für den Steuerbereich. Allein die Analyse verschiedener, steuerbezogener Datensätze (z. B. Finanztransaktionen, Gewinn- und Verlustrechnungen oder Steuererklärungen) kann dazu beitragen, potenziellen Steuerbetrug, Fehler oder Unregelmäßigkeiten frühzeitig zu erkennen. Sie identifiziert Vergehen oder Fehler, die sonst möglicherweise unbemerkt geblieben und zu Geldstrafen und Reputationsverlusten geführt hätten.

(1) Effiziente Steuerprüfungen: Während die manuelle Überprüfung von Finanzdaten recht zeitaufwendig ist, können automatisierte Verfahren zur Erkennung von Anomalien den Prozess beschleunigen. Indem automatisch ungewöhnliche Muster identifiziert und frühzeitig auf potenzielle Risiken hinweisen, kann insgesamt die Wirtschaftlichkeit des Prüfprozesses verbessert werden. Außerdem können sich dadurch die Steuerfachleute auf Fälle mit hoher Priorität (z. B. hohes Steuerrisiko) oder auf wissensintensive Aufgaben (z. B. strategische Steuerplanung) fokussieren, wodurch die Qualität der Prüfung insgesamt gesteigert werden kann.

(2) Steuerliche Compliance: Steuervorschriften sind nicht selten sehr komplex und können sich im Laufe der Zeit ändern. Bei Bedarf lassen sich die im System hinterlegten Steuerregeln mit Hilfe der Anomalieerkennung aber relativ schnell anpassen. Dadurch wird sichergestellt, dass Unternehmen mit den neuesten steuerlichen Vorschriften konform sind.

Eine der größten Herausforderungen bei der Erkennung von Anomalien ist das Risiko von Fehlalarmen. Ein System könnte z. B. eine Transaktion als Anomalie erkennen, obwohl diese eigentlich normal ist (false positive) oder eine anomale Transaktion als normal kennzeichnen (false negative). Aufgrund falsch positiver bzw. falsch negativer Ergebnisse kann es in der Folge zu Ineffizienzen bei der Prüfung kommen. Im schlimmsten Fall werden tatsächliche Anomalien komplett übersehen.

Bei ML-basierten sowie statischen Methoden hängt die Effizienz und Effektivität des Modells zudem stark von der Qualität der Daten ab. So können bspw. ungenaue oder unvollständige Datensätze zu irreführenden Ergebnissen führen. Ferner ist die Vorhersage stark abhängig von der Qualität der verwendeten Merkmale (Features) und der Dimensionalität der Daten, also wie viele Referenzinformationen zu einem messbaren Ereignis vorliegen und im Modelltraining mitberücksichtigt werden. Eine weitere Herausforderung stellt die Veränderung der Daten dar. Algorithmen zur Anomalieerkennung können sich nur schwer an neue Arten von Anomalien oder sich ändernde Daten anpassen. So kann es für das Modell schwierig sein, zwischen echten Anomalien und legitimen Verschiebungen in der zugrundeliegenden Datenverteilung zu unterscheiden.