Das Zwei-Score-AML-Modell: Match-Score versus Risiko-Score (DE)

Die meisten AML-Screening-Tools fassen zwei völlig unterschiedliche Fragen in einer einzigen Zahl zusammen. Ist dieser Watchlist-Treffer wirklich mein Kunde? und wie gefährlich ist dieser Kunde? werden zu einem „Risiko-Score“ vermischt, und das Ergebnis ist eine Warteschlange voller Namensvettern neben echten Sanktions-Treffern, die für den bearbeitenden Analysten alle gleich aussehen.

Didits AML-Screening-Engine weigert sich, diesen Fehler zu machen. Sie verwendet ein Zwei-Score-Modell: einen Match-Score, der die Identitätssicherheit misst, und einen Risiko-Score, der das Entitätsrisiko misst. Sie werden unabhängig voneinander berechnet und mit Schwellenwerten versehen, was der größte Hebel ist, den Sie haben, um Fehlalarme zu reduzieren, ohne echte Treffer zu übersehen. Dieser Beitrag erklärt genau, wie jeder Score funktioniert.

Wichtige Erkenntnisse

• Match-Score (0–100) beantwortet die Frage ist das wirklich dieselbe Person? – Namensähnlichkeit, Geburtsdatum und Land, gewichtet und konfigurierbar.
• Risiko-Score (0–100) beantwortet die Frage wie riskant ist eine bestätigte Entität? – Kategorie, Länderrisiko und Vorstrafen.
• Die beiden sind unabhängig. Ein perfekter Namensabgleich mit einem risikoarmen Datensatz und ein schwacher Abgleich mit einer sanktionierten Entität werden als die unterschiedlichen Situationen behandelt, die sie sind.
• Konfigurierbare Gewichte und Schwellenwerte ermöglichen es Ihnen, sie an Ihre eigene Risikobereitschaft anzupassen; die Match-Gewichte müssen sich auf 100 summieren.
• Ein Dokumentennummernabgleich ist der „Goldene Schlüssel“ – er überschreibt den Match-Score auf 100 %.
• Beide Scores sind sowohl im eigenständigen POST /v3/aml/ Aufruf als auch in Didit-Verifizierungs-Workflows verfügbar, zu 0,20 $ pro Prüfung.

Was die beiden Scores sind

Wenn Sie ein Subjekt screenen, zeigt die Engine jedes Watchlist-Profil an, das plausibel übereinstimmt. Für jedes davon berechnet sie zwei Dinge.

Der Match-Score dreht sich um die Identität. Wie sicher ist die Engine angesichts des von Ihnen übermittelten Namens, Geburtsdatums und Landes, dass dieser Watchlist-Datensatz dieselbe Person beschreibt? Ein Score von 96 bedeutet „fast sicher dieselbe Person“; ein Score von 40 bedeutet „teilt einen Namen, wahrscheinlich ein Zufall“.

Der Risiko-Score dreht sich um die Entität selbst, vorausgesetzt, der Treffer ist echt. Eine bestätigte PEP mit negativen Medien in einer Hochrisikoregion erzielt einen hohen Score; ein bestätigter, aber geringfügiger Eintrag im behördlichen Register erzielt einen niedrigen Score. Der Risiko-Score fragt nie, ob der Treffer korrekt ist – das ist die Aufgabe des Match-Scores –, er fragt, wie sehr Sie sich Sorgen machen sollten, wenn er es ist.

Warum es wichtig ist

Die Bedeutung dieser Trennung ist operativ, und sie zeigt sich direkt in der Arbeitsbelastung der Analysten. Stellen Sie sich vor, Sie screenen einen Kunden namens „Maria Gonzalez“. Auf über 1.300 Listen gibt es viele Personen mit diesem Namen, von denen einige ein echtes Risiko darstellen. Wenn Sie einen einzigen, vermischten Score haben, landet jeder dieser Datensätze in der Überprüfung und erscheint gleich wichtig, und Ihre Analysten verbringen Stunden damit, Namensvettern abzuweisen.

Mit zwei Scores kann die Engine schwache Identitätsübereinstimmungen stillschweigend als False Positive markieren, bevor sie jemals einen Menschen erreichen, unabhängig davon, wie riskant diese Datensätze sind – denn wenn es nicht Ihr Kunde ist, ist das Risiko irrelevant. Nur die Datensätze, die die Identitätshürde überwinden, werden auf Risiko bewertet und zur Überprüfung weitergeleitet. Das Ergebnis ist eine Überprüfungswarteschlange, die klein, relevant und verteidigbar ist.

Technische Details

Beide Scores werden in derselben /v3/aml/ Antwort zurückgegeben. Der eigenständige Aufruf:

curl -X POST https://verification.didit.me/v3/aml/ \
  -H "x-api-key: $DIDIT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "first_name": "Maria",
    "last_name": "Gonzalez",
    "date_of_birth": "1984-03-12",
    "country": "ES",
    "document_number": "X1234567Z"
  }'

Jedes angezeigte Profil trägt seinen eigenen Match-Score und Überprüfungsstatus; das Screening als Ganzes trägt den Risiko-Score und den Gesamtstatus:

{
  "aml_status": "In Review",
  "risk_score": 71,
  "matches": [
    { "profile_id": "prf_5a91c2", "match_score": 96, "match_status": "Unreviewed", "categories": ["PEP 2"] },
    { "profile_id": "prf_77b0e1", "match_score": 48, "match_status": "False Positive", "categories": ["Adverse Media"] }
  ]
}

Wie der Match-Score aufgebaut ist

Der Match-Score ist eine gewichtete Mischung aus Identitätssignalen. Die Standardwerte:

nody>

Signal	Standardgewicht
Namensähnlichkeit	60%
Geburtsdatum	25%
Land	15%

Die Gewichte sind konfigurierbar und müssen sich auf 100 summieren – wenn Sie die Namensähnlichkeit erhöhen, senken Sie etwas anderes. Der standardmäßige Entscheidungsschwellenwert ist 93: Ein Profil, das unter 93 punktet, wird automatisch auf False Positive gesetzt; ein Profil mit 93 oder mehr wird Unreviewed und wartet auf einen Analysten.

Der Goldene Schlüssel. Wenn Sie eine document_number übermitteln und diese mit dem Watchlist-Datensatz übereinstimmt, wird der Match-Score direkt auf 100 % gesetzt. Ein Dokumentennummernabgleich ist das stärkste mögliche Identitätssignal, daher umgeht er die gewichtete Mischung – es gibt keine Unklarheit darüber, ob es sich um dieselbe Person handelt.

Wie der Risiko-Score aufgebaut ist

Der Risiko-Score ist eine gewichtete Mischung aus Risikosignalen. Die Standardwerte:

nody>

Signal	Standardgewicht
Kategorie (Sanktionen, PEP-Stufe, negative Medien usw.)	50%
Länderrisiko	30%
Vorstrafen	20%

Er steuert den gesamten AML-Status durch zwei Schwellenwerte. Standardmäßig liegt der Genehmigungsschwellenwert bei 80 und der Überprüfungsschwellenwert bei 100:

nody>

Risiko-Score	Status
Unter 80	Approved
80 bis 100	In Review
Über 100	Declined

Preis. 0,20 $ pro Prüfung – die Zwei-Score-Bewertung ist inklusive, kein Add-on.

Die Überprüfungszustände, die ein Analyst bearbeitet

Sobald ein Profil angezeigt wird, durchläuft es eine kleine, auditierbare Reihe von Überprüfungszuständen:

• False Positive – nicht Ihr Kunde (oft automatisch eingestellt, wenn der Match-Score unter dem Schwellenwert liegt).
• Unreviewed – hat den Match-Schwellenwert überschritten, wartet auf eine menschliche Entscheidung.
• Confirmed Match – ein Analyst hat bestätigt, dass es Ihr Kunde ist.
• Inconclusive – die Beweise sind wirklich mehrdeutig und der Fall wird geparkt.

Dies ist die Dokumentation. Wenn eine Aufsichtsbehörde fragt, warum Sie jemanden aufgenommen haben, der einen Namen mit einer sanktionierten Person teilt, ist „der Match-Score war 41, unter unserem Schwellenwert von 93, automatisch als False Positive klassifiziert“ eine vollständige, verteidigbare Antwort.

Anwendungsfälle

• Fintech. Beschleunigen Sie das Onboarding, indem Sie Treffer mit geringer Sicherheit automatisch unterdrücken, während Sie Treffer mit hohem Risiko niemals unzureichend screenen.
• Krypto / Web3. Verwenden Sie den Goldenen Schlüssel für die Dokumentennummer für KYC-Flows mit hoher Sicherheit, damit bestätigte Identitäten die Namensvetter-Rätselraten überspringen.
• Kreditvergabe. Legen Sie einen konservativen Überprüfungsschwellenwert für den Risiko-Score für Kreditnehmer und Bürgen fest, wo der Nachteil einer verpassten PEP groß ist.
• Marktplätze. Reduzieren Sie den manuellen Überprüfungsaufwand beim Onboarding von Verkäufern mit hohem Volumen, indem Sie die Match-Score-Gewichte an Ihre Population anpassen.
• iGaming. Dokumentieren Sie die genauen Schwellenwerte und Gewichte, die Sie für jede Aufsichtsbehörde verwendet haben, da beide Scores und ihre Konfiguration auditierbar sind.

So integrieren Sie sich mit Didit

1. Fügen Sie das Screening hinzu als Workflow-Schritt oder rufen Sie POST /v3/aml/ direkt auf.
2. Legen Sie Ihre Gewichte fest für den Match-Score (Summe muss 100 ergeben) und den Risiko-Score in der Konsole.
3. Legen Sie Ihre Schwellenwerte fest – den Match-Schwellenwert (Standard 93) und die Genehmigungs-/Überprüfungsschwellenwerte (Standard 80/100).
4. Geben Sie eine Dokumentennummer an, wo immer Sie eine haben, um die Golden Key-Überschreibung auszulösen.
5. Bearbeiten Sie die Unreviewed-Warteschlange und lassen Sie Approved-/Declined-Entscheidungen in Ihre Onboarding-Logik einfließen.

Häufig gestellte Fragen

Was ist der Unterschied zwischen dem Match-Score und dem Risiko-Score?

Der Match-Score misst, ob ein Watchlist-Treffer wirklich Ihr Kunde ist (Identitätssicherheit). Der Risiko-Score misst, wie gefährlich diese Entität ist, wenn der Treffer echt ist. Sie werden unabhängig voneinander berechnet und mit Schwellenwerten versehen.

Was sind die Standardgewichte?

Match-Score: Name 60 %, Geburtsdatum 25 %, Land 15 % (muss sich auf 100 summieren). Risiko-Score: Kategorie 50 %, Länderrisiko 30 %, Vorstrafen 20 %. Alle sind in der Konsole konfigurierbar.

Was ist der Goldene Schlüssel?

Wenn Sie eine Dokumentennummer angeben und diese mit dem Watchlist-Datensatz übereinstimmt, wird der Match-Score auf 100 % überschrieben – ein Dokumentennummernabgleich wird als eindeutiger Identitätsnachweis behandelt.

Was passiert unterhalb des Match-Schwellenwerts?

Ein Profil, das unter dem Match-Schwellenwert (Standard 93) liegt, wird automatisch auf False Positive gesetzt, sodass es niemals einen Analysten erreicht, unabhängig davon, wie riskant dieser Datensatz ist.

Wie wird der Risiko-Score zu einer Entscheidung?

Unterhalb des Genehmigungsschwellenwerts (Standard 80) ist der Status Approved; zwischen Genehmigung und Überprüfung (80–100) ist er In Review; oberhalb des Überprüfungsschwellenwerts (Standard 100) ist er Declined.

Bereit zum Start?

Lesen Sie die AML-Screening-Übersicht in den Docs, sehen Sie sich das Modell im Kontext auf der AML-Screening-Produktseite an und überprüfen Sie die transparenten Preise pro Prüfung auf der Preisseite. Wenn Sie bereit sind, starten Sie kostenlos – 500 kostenlose KYC-Prüfungen jeden Monat, mit AML-Screening für 0,20 $ pro Prüfung.