Tuning in Compliance

Publish date:

Anders als bei Autos bedeutet das Tuning von Transaktions Monitoring bei Banken nicht nur bessere Performance, sondern auch deutlich weniger Kosten und bessere Abdeckung von Geldwäsche sowie Terrorismus Finanzierungsrisiken.

In den letzten Jahren hat es bereits mehrfach heftige Strafen in Verbindung mit Geldwäsche und Sanktionsmissachtungsvorfällen gegeben. Die Namen des „Who is Who“ der Finanzbranche reihen sich aneinander, angefangen mit HSBC, weiter zu BNP Paribas, über Commerzbank, Deutsche Bank, ING, UBS und jetzt die Danske Bank. Jedoch gibt es bei verschiedenen Instituten auch ernsthafte Ansätze, das Thema Geldwäsche in den Griff zu bekommen. Allerdings zeichnet sich ab, dass diese Ansätze vereinzelt und nicht vollumfänglich sind. Meistens fehlt eine Gesamtstrategie oder wenn es sie tatsächlich gibt, zögern die Entscheidungsträger, diese Strategie konsequent umzusetzen.

Schnelle Erfolge versprechen sogenannte Quick Wins

Eine Möglichkeit ist das Tuning von Detection Rules. Bei den Detection Rules handelt es sich um Regeln, die für das Aufspüren von verdächtigem Verhalten bei Geldtransaktionen eingesetzt werden. Diese Detection Rules betreffen z.B. große Barzahlungen, aber auch komplizierte Transaktionen, mit denen Schwarzgeld in das Bankensystem und somit in den Wirtschaftskreislauf eingeschleust und verschleiert werden soll. Mit der Bestimmung der Aufspürregeln ist es aber noch nicht getan. Bei hunderten Millionen von Transaktionen am Tag ist es eine große Herausfoderung zu determinieren, bei welchen Schwellwerten die Regeln zuschlagen sollten, um verdächtiges Verhalten am besten aufzuspüren, aber auch ohne die Organisation durch falsche Alerts sog. False Positives lahm zu legen und die Kosten ins Unermäßliche zu steigern.

Nicht nur statistisches Können, sondern auch Erfahrung und Expertise sind gefragt

In diesem Fall sind die Analysten, die das Monitoring und die Investigation von verdächtigem Verhalten durchführen, gefordert. Sie sollen die Qualität der erzeugten Alerts untersuchen, um das beste Verhältnis (Ratio) zwischen Risikoabdeckung von verdächtigem Verhalten und falschen Alerts zu bestimmen. Letztere sind für Banken die wahren Kostenverursacher, denn sie erhöhen überproportinal die Kosten beim Monitoring und der Investigation von Geldwäscheverdachtsfällen.

Notwendige Prozesschritte für die Alert Generierung bei Geldwäscheverdacht

Die oben skizzierte Verfahrensweise zeigt das klassische und methodisch richtige Vorgehen. Jedoch sollte der technologische Fortschritt auch in der Compliance Einzug erhalten und das Thema Geldwäsche und insbesondere das Tuning sind hierfür geradezu prädestiniert. Hier lassen sich durch neue Technologien und Verfahren, wie im folgendem Bild dargestellt, sehr große Einsparungen erzielen.

Künstliche Intelligenz: Prozesse und Methoden
Künstliche Intelligenz: Prozesse und Methoden

Durch Künstliche Intelligenz und Machine Learning können auf Basis von früherem Verhalten und einer fortlaufenden, aktuellen Analyse von Ergebnissen die Treffsicherheit der Alerts enorm gesteigert werden

Dies ist ohne aktives menschliches Eingreifen möglich, denn unter AI versteht man die Entwicklung von Computersystemen, die in der Lage sind, Aufgaben zu übernehmen, die sich häufig wiederholen und normalerweise nur ein geringes Maß menschlicher Intelligenz verlangen. Machine Learning, als Subkategorie von Künstlicher Intelligenz, beschreibt die Fähigkeit von Computerprogrammen, die kognitive Intelligenz des menschlichen Lernens zu imitieren und auf Daten anzuwenden. Bei diesem Prozess lernen die Applikationen von den Daten, mit denen sie beliefert werden, und erkennen automatisch versteckte Muster in ihnen. Diese multidimensionalen Zusammenhänge werden wiederum für Prognosen verwendet, die eine höhere Präzision als traditionelle Vorhersagetools aufweisen, so dass auf diesem Wege die Entscheidungsfindung weiterentwickelt wird.

Durch die Interaktion von Mensch und AI lässt sich die Alert Qualität noch weiter erhöhen

Zum einen decken dabei Algorithmen des supervised Learnings tiefergehende Muster in den historischen Daten von bereits bekannten und als valide gekennzeichneten Alerts auf und nutzen diese Erkenntnisse in der Folge, um zukünftige Transaktionen präziser zu bewerten. Darüber hinaus schafft die Kombination aus fachlicher Expertise von Analysten und Machine Learning Mehrwert, indem mit Hilfe von unsupervised Learning große Datenmengen in Echtzeit auf verdächtige Anomalien untersucht werden und der Lernprozess durch die fallspezifischen Beurteilungen von Experten kontinuierlich verbessert wird.
Durch den Einsatz der oben skizzierten Technologien lassen sich auch die aktuellen Monitoring- und Investigationsprozesse, die überwiegend manuell durchgeführt werden, durch Robotic Process Automation (RPA) ergänzt bzw. ersetzt werden.

Bei RPA kommen u.a. Web-Crawler Technologien, die automatisch auf externe Portale wie Factiva, Google und Handelsregister zugreifen und eine Voranalyse für den Analysten vornehmen lassen, zum Einsatz

Zudem lassen sich durch die Verwendung von RPA verschiedene Investigationsschritte durch Roboter durchführen, um so die Analysten zu entlasten. Die zusätzliche Anwendung von AI in Kombination mit RPA hilft dem Analysten insofern, als dass sie Vorschläge bei der Bearbeitung eines Falles unterbreitet, wie sich der Analyst entscheiden könnte bzw. sollte. So lassen sich die Barbeitungszeiten der Fälle verringern und somit wird die Tätigkeit der Analysten effizienter. All diese Maßnahmen zusammengenommen können zu einer Kostenersparnis von bis zu 70% führen, was bei einem Team von ca. 300 Mitarbeitern, die täglich das Transaktionsmonitoring bei einer Großbank durchführen, einer Ersparnis von über 200 FTEs entspricht. Wir sagen aber bewusst bis zu 70%, denn die künstliche Intelligenz ist noch lange nicht bereit, die Überwachung und die Investigationsentscheidungen von Menschen komplett zu ersetzen. Menschen müssen letztendlich die Entscheidung treffen, ob eine Verdachtsmeldung (SAR) an die zuständige Behörde (Financial Intelligence Unit) gesendet wird oder nicht.

Zugegeben, das was die Technologie heute hergibt, muss nicht zwingend bedeuten, dass es der Regulator auch akzeptiert. Das Problem mit AI ist, dass sie sich nicht so leicht interpretieren und auditieren lässt. Dennoch wird durch die Anwendung dieser Technologien in der Praxis auch der Regulator langsam dazu gezwungen, auf diesem Gebiet aufzurüsten, um diese Modelle besser zu verstehen und sie letzlich zu auditieren.

Fazit

Als Fazit lässt sich zusammenfassen, dass es sich lohnt, in neue Technologien zu investieren, auch und insbesondere in der Compliance. Obwohl Compliance ein Kostencenter und kein Ertragsbringer ist, kann ein schneller Einsatz von neuen Technologien nicht nur zu einer Reduzierung von Kosten und Reputationsrisiken führen, sondern auch im Niedrigzinsumfeld letzendlich einen Wettbewerbsvorteil bedeuten.


Wenn Sie an KI interessiert sind und uns persönlich antreffen möchten, dann besuchen Sie uns gerne auf der Handelsblatt KI Tagung  in München vom 21.-22. März 2019, wo wir gemeinsam mit Capgemini vorort sind.

Weitere Posts

Capgemini Invent

Smart Forwarding: Brauchen wir bald keine Speditionen mehr?

Tobias Braun
Date icon April 17, 2019

Die vollautomatisierte Koordination von Lkws und Seefracht könnte bald schon Realität...

Capgemini Invent

Der Lieferprozess im Umbruch: Was kommt als nächstes?

Tobias Braun
Date icon April 10, 2019

Wie sieht der zukünftige Lieferprozess aus und wie kann ich mich schon jetzt darauf...

Blockchain

Disruption im Risikokapitalmarkt?!

Florian Vatter
Date icon April 8, 2019

Die Blockchain Technologie wird im Risikokapitalmarkt für eine Optimierung von Prozessen...

cookies.

Mit dem Fortsetzen des Besuchs dieser Website akzeptieren Sie die Verwendung von Cookies.

Für mehr Informationen und zur Änderungen der Cookie-Einstellungen auf Ihrem Computer, lesen Sie bitte Privacy Policy.

Schließen

Cookie Information schließen