Der Status Quo

Seit dem 11. September haben Finanzinstitute (FI) enorme Investitionen in ihre AML-Compliance-Programme getätigt, sind aber immer noch mit manuellen Prozessen und Komplexitäten bei der Einhaltung der Vorschriften zur Finanzkriminalität konfrontiert. Einem Bericht von Wealthinsight zufolge werden die Ausgaben der Finanzinstitute bis 2017 die 8 Milliarden Dollar übersteigen, was einem Anstieg von 36 Prozent gegenüber 2013 entspricht. Ein Großteil dieses Wachstums wird getrieben, um die hohen False-Positive-Raten zu reduzieren, die zu erheblichen Korrekturmaßnahmen führen, die diese regelbasierten Systeme erzeugen.

Die Finanzinstitute sind keineswegs nur in diesem Bereich tätig. Was ist mit den hochbezahlten Beratern, die die Banken beauftragt haben, sie zu beraten. Aufbau eines zuverlässigen AML-Programms sowie die Auswahl von das/die richtige(n) AML-System(e). Vergessen wir auch nicht die Forschungsunternehmen für ihre Produkte. Forschungsarbeiten, die jeden Softwareanbieter irgendwie überraschend gut klingen lassen, ähnlich einem Zeitungshoroskop und nicht zuletzt die AML-Softwarehersteller selbst.     

Traditionelle AML- und Betrugssysteme wurden nie zur Verbrechensbekämpfung entwickelt! Dies ist das Nebenprodukt von Business Intelligence (BI)-Software, die ursprünglich entwickelt wurde, um Einblicke in die vergangene Performance eines Unternehmens zu geben. Viele dieser Systeme sind auf Software-Code programmiert, der vor 40 Jahren entwickelt wurde!  

Wenn Sie also den Satz battle tested hören…. Sie wissen, dass es ein langer, hart geführter Krieg war.

Nach dem 11. September nutzten viele Anbieter die Gelegenheit, ihre BI-Software als AML-Compliance-Lösung zu positionieren. Dies ist analogheute mit einem Oldtimer an einem Formel-1-Rennen teilzunehmen.  

Daher bekämpfen viele Finanzinstitute anspruchsvolle Betrugs-, Geldwäsche- und Terrorfinanzierungssysteme mit Systemen, die eine Kombination aus veralteter BI-Technologie und einer regelbasierten Methode verwenden.

Die Folge ist, dass diese traditionellen AML/Fraud-Systeme ein außergewöhnlich hohes Recht auf False Positives erzeugen zwischen 75 und 90 Prozent. In der Tat, viele Finanzinstitute’. Compliance-Programme fühlen sich im Vergleich zum Umfang der Warnmeldungen und Berichte, die sie überprüfen müssen, ständig unterbesetzt, während sie versuchen, gute Geschäfte nicht zu stören. Also, Finanzinstitute sahen sich gezwungen, Outsourcing zu betreiben und diejenigen, die es sich leisten konnten, bauten Offshore-Einheiten in Indien, die die Vorteile der niedrigeren Arbeitskosten nutzten, um ihre Systeme und die KYC-Alarme zu warten.

Bei aller Aufmerksamkeit für False Positives haben False Negatives eine viel bessere Chance, durchzukommen. 

Der risikobasierte Ansatz sollte Finanzinstituten helfen, die Anzahl der Fehlalarme zu reduzieren, indem sie Kunden profilieren und in Segmente einteilen. basierend auf ihrer Risikoexposition. Die Gruppierung von Kunden in einfache Kategorien, die lediglich auf Produkten, Vertriebskanälen, Transaktionen, Regionen und Branchen basieren, führt jedoch zu generischen Regeln. mit beliebig gewählten Schwellenwerten war ein geradlinige Herangehensweise, gelinde gesagt, auch wenn sie etwas naiv ist.

Infolgedessen werden Finanzinstitute bei Warnungen, die bei guten Kunden generiert werden, oft beschließen, eine Regel für die gesamte Kundenkategorie zu optimieren oder diese Kunden in eine neue Unterkategorie zu verschieben. Aus diesem Grund arbeiten viele Banken mit über 200 Unterkategorien und verlieren buchstäblich die Aufsicht.

RegTech hilft bei der Rettung!

Finanzinstitute sind sich bewusst, dass ein besserer Ansatz als nur Offshoring erforderlich ist. Im Grunde genommen setzt die gesamte Branche (kein Wortspiel beabsichtigt) auf Daten und Analysen, um komplexe Prozesse zu vereinfachen und sich wiederholende Aufgaben zu automatisieren. Deshalbhat sich die Branche umgedreht. zu künstlicher Intelligenz (KI) und maschinellem Lernen (ML) ermöglichten Lösungen als neue Spielmacher. Auch wenn diese Schlagworte zu einem heißen Thema geworden sind, kennen viele nicht einmal den Unterschied zwischen den beiden und verwenden die Begriffe austauschbar. ML bezieht sich auf ein Computersystem, das die Fähigkeit hat, zu lernen, wie man bestimmte Aufgaben erledigt, im Gegensatz dazu ermöglicht die KI Computersystemen, von Menschen ausgeführte Aufgaben auszuführen. Obwohl die KI einige rudimentäre Aufgaben ersetzen kann, würde ich nicht sagen, dass Compliance-Analysten zu ihnen gehören. Durch den Einsatz dieser Technologien hätten die Compliance-Mitarbeiter mehr Zeit, sich mit nicht routinemäßigen Ereignissen und komplexen Fällen zu befassen und hätten durch einen saubereren, nachvollziehbareren Prozess bessere Informationen, um objektive Entscheidungen zu treffen.

Natürlich können maschinelle Lernmodelle enorme Datenmengen verarbeiten, aber ML-Systeme müssen noch den Unterschied zwischen einem falsch positiven und einem falsch negativen Ergebnis in Echtzeit erkennen.  Erstens gibt es in den meisten Unternehmen einfach nicht genügend gut strukturierte Daten, die für die Vermittlung dieser ML / AI Modelle verwendet werden können. IBMs Watson, benannt nach einem Sherlock Holmes-Charakter, hat diesen harten Weg gelernt. Wie bei jeder neuen Technologiewelle CRM, Business Intelligence, Big Data, Predictive Analytics oder Artificial Intelligence, etc. können es Technologieunternehmen kaum erwarten. diese Begriffe auf jedes Stück ihrer Software wie Feenstaub streuen.  

Bis Juni 2017 wurde die Watson KI-Plattform zu sechs Arten von Krebs geschult, was Jahre und Tausende von Ärzten in Anspruch nahm.

Zweitens passen sich schlechte Akteure ständig an und probieren neue Schemata aus und drittens verändert sich die Finanzdienstleistungslandschaft ständig, so dass ML- und AI-Plattformen eine Wissenslücke in Echtzeit haben. Die Attraktivität dieser Technologie könnte jedoch für die Menschen, die das Endergebnis verfolgen, interessant erscheinen. Die Realität ist, dass ML / AI-Plattformen Monate und in vielen Fällen Jahre mühsamer Schulung benötigen, da Experten riesige Mengen an gut strukturierten Daten in die Plattform einbringen müssen, damit sie aussagekräftige Schlussfolgerungen ziehen kann, und diese Schlussfolgerungen basieren nur auf den Daten, auf denen sie trainiert wurden.

  • Erlernen des Transaktionsverhaltens ähnlicher Kunden 
  • Identifizierung von Kunden mit ähnlichem Transaktionsverhalten
  • Ermittlung der Transaktionsaktivität von Kunden mit ähnlichen Merkmalen (Geschäftsart,
     geografische Lage, Alter, etc.)
  • Identifizierung von Ausreißertransaktionen und Ausreißerkunden
  • Erlernen von Geldwäsche, Betrug und Terrorismusfinanzierungstypologien und Identifizieren typologiespezifischer Risiken.
  • Dynamisches Lernen von Zusammenhängen zwischen Warnmeldungen, die verifizierte verdächtige Ergebnisse lieferten. Aktivitätsberichte und solche, die Fehlalarme erzeugen
  • Kontinuierliche Analyse falsch-positiver Warnmeldungen und Erlernen gängiger Prädiktoren

Die Finanzkriminalität wird größtenteils durch den Fortschritt in der Technologie und im Gesundheitswesen verursacht. diese Verbindung von Regulierung und Technologie ist an sich nicht neu. Mit der kontinuierlichen Zunahme der regulatorischen Erwartungen, den atemberaubenden Cyberangriffen gegen Finanzinstitute und der FinTech-Störung ist RegTech jedoch der perfekte Partner.

Kurz gesagt, Regtechs schließen viele Lücken im heutigen Programm der Finanzkriminalität von iVerbesserung der Automatisierung bei der Erkennung verdächtiger Aktivitäten, was ein bedeutender Schritt von der Überwachung zur Prävention der Finanzkriminalität wäre. und gleichzeitig kostengünstiger und agiler! 

Allerdings haben die Finanzinstitute diesen Weg eingeschlagen, bevor sie auf Technologie setzen, aber diesmal wären sie klug, gründlich mit kleinen Pilotprojekten zu beginnen. Finanzinstitute müssen in Datenqualität investieren, da sie eine Schlüsselkomponente eines erfolgreichen Finanzkriminalitätsprogramms ist. Hochwertige Daten führen zu besseren Analysen und Erkenntnissen, die für die genaue Vermittlung von ML- und KI-Modellen so wichtig sind, aber auch zu besseren Entscheidungen führen.

Geschrieben von: Paul Hamilton

 

“Top Misconceptions of Cryptocurrency as a Payment System”

Which can be read on Amazon Kindle Unlimited for Free  You can find more interesting articles by visiting us on one of the following platforms: AML Knowledge Centre (LinkedIn) or Anti-Bribery and Compliance at the Front-Lines (LinkedIn)

Bild: Semisatch – Shutterstock

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close