6 Minuten Lesezeit 21 Januar 2020
Boxer training ring shadow

Warum Datenanalyse führend im Kampf gegen Finanzkriminalität ist

Von

EY Global

Multidisciplinary professional services organization

6 Minuten Lesezeit 21 Januar 2020

Angesichts der immer strengeren Compliance-Anforderungen und des wachsenden Datenbestands war die Bekämpfung der Finanzkriminalität noch nie so schwierig.

Die Bekämpfung der globalen Finanzkriminalität von Geldwäsche und Marktmissbrauch über Sanktionen und Terrorismusfinanzierung bis hin zu Bestechung und Korruption kosten nach dem Refinitiv Survey¹ von 2018 schätzungsweise 1,3 Billionen US-Dollar jährlich. Mit mehr als 26 Milliarden US-Dollar an Bußgeldern, die in den letzten zehn Jahren von den globalen Regulierungsbehörden wegen Nichteinhaltung der Vorschriften zur Bekämpfung von Geldwäsche (AML), der Know your Customer Policy (KYC) und Vorschriften² zu Sanktionen verhängt wurden, besteht ein erheblicher Änderungsbedarf.

Für Regierungen und Aufsichtsbehörden stehen Finanzdienstleister bei der Bekämpfung der Finanzkriminalität an vorderster Front, wobei die Compliance-Anforderungen immer strenger werden. Handelsinstitutionen finden es besonders schwierig, diese gestiegenen Erwartungen zu erfüllen, da manuelle Prozesse und veraltete Technologien nicht mehr mit den enormen Datenmengen und der Komplexität des globalen Bankumfelds Schritt halten.

Banken, die Innovationen entwickeln und neue Technologien und Techniken einführen, um gesetzliche Compliance-Anforderungen zu erfüllen, werden in den kommenden Jahren branchenführend sein.
Blair Delzoppo
Partner EY Asia-Pacific FSO Data & Analytics

Von manuellen Eingaben hin zu selbst lernenden Maschinen

Traditionell haben sich Finanzinstitute in hohem Maße auf manuelle Eingriffe von Menschen im Berichtswesen verlassen – Menschen, die tatsächlich mit Stift und Papier arbeiten. Dies ist bis heute eine gängige Praxis, insbesondere im Workflow des Fallmanagements. Mehrere Ebenen von Fallermittlern überprüfen Details physisch und verfassen Dispositionsberichte, bevor den Aufsichtsbehörden verdächtige Aktivitäten und andere Compliance-Verpflichtungen gemeldet werden.

Aufgrund der enormen Datenmengen, die in und aus Bankensystemen fließen, ist es für Menschen jedoch unmöglich, mit der Nachfrage Schritt zu halten. Zeitliche Rückstände bei Risikowarnungen werden nun häufig schneller behoben, als Betriebsteams hinterherkommen. Fortschrittliche Daten- und Analysetechniken wie künstliche Intelligenz, maschinelles Lernen, natürliche Spracherkennung und -verarbeitung sowie kognitive Automatisierung können verwendet werden, um einen erheblichen Teil der arbeitsintensiven Prozesse zu beschleunigen oder zu automatisieren, die Betriebskosten zu senken und den Mitarbeitern die Freiheit zu geben, sich auf präventive Maßnahmen zu konzentrieren.

Neben der Reduzierung des operativen Arbeitsaufwands im Fallmanagement setzen Compliance-Teams auch fortschrittliche Analysen für eine Reihe von Anwendungen ein, die Finanzkriminalität vorbeugen sollen, darunter etwa Verbesserungen des KYC-Prozesses und der Überprüfungsleistung von Sanktionen sowie der Überwachung von Transaktionsaktivitäten, um proaktiv Risiken und Chancen zu identifizieren.

Wir haben festgestellt, dass Programme für maschinelles Lernen nicht nur den zeitlichen Rückstand bei Risikowarnungen verringern können, sondern in den meisten Fällen einen höheren Grad an Genauigkeit aufweisen.
Yoon Chung
Partner EY Asia-Pacific FSO Data & Analytics

Innovative Lösungen für uralte Probleme

Es folgen drei Beispiele, wie Banken fortschrittliche Techniken für Daten und Analytics nutzen können, um die Einhaltung gesetzlicher Vorschriften und die Kundenerfahrung zu verbessern und die Kosten für das Management operationeller Risiken zu senken.

  • 1. Transaktionsüberwachung (Transaction Monitoring (TM))

    Bei der Geldwäschebekämpfung können Programme für maschinelles Lernen die Warnsysteme bei der Transaktionsüberwachung bereichern und den Suspicious Matter Report (SMR)bei Umrechnungskursen verbessern. So lassen sich AML-Szenarien vorhersagen, bevor sie auftreten. Durch die Anreicherung werden potenziell wichtige Details zu Kunden, Konten oder Empfängern mit den Warnungen verknüpft, zum Beispiel:

    • frühere Fälle, SMRs oder Transaction Threshold Reports (TTR)
    • bestehende Bewertungsprozesse, die das Risiko einer Transaktion oder einer Reihe von Transaktionen wie auch die Kunden oder Konten bewerten
    • externe Informationen wie Ermittlungen bei Strafverfolgungsbehörden, Vorladungen oder negative Informationen

    Es hat sich gezeigt, dass Programme für maschinelles Lernen „True-positive“-Fälle mit größerer Genauigkeit als herkömmliche Methoden erkennen und sogar entscheidende Ereignisse vorhersagen können, bevor sie auftreten.

    Maschinelles Lernen und KI-Modelle sind darin, Transaktionen im Hinblick auf Anti-Money Laundering (AML) zu überwachen, schneller und effizienter als Menschen. Je mehr Daten sie aufnehmen, desto genauer werden sie.
    Yoon Chung
    Partner EY Asia-Pacific FSO Data & Analytics
  • 2. Kundenbeziehung (Know your Customer [KYC])

    Um KYC-konform zu sein, müssen Unternehmen Kundendaten sammeln, überprüfen, verwalten und validieren, damit sie die erforderliche Due Diligence erfüllen und angemessene Kundenrisikobewertungen oder -untersuchungen ermöglichen. Die Erstellung einer umfassenden „Einzelansicht des Kunden“ über verschiedene interne und externe Quellen und digitale Interaktionen hinweg ist jedoch seit vielen Jahren eine andauernde Herausforderung für Finanzinstitute.

    Die KYC-Überprüfung und -Dateneingabe erfolgte traditionell manuell und ineffizient – und oft mit kritischen Fehlern, Datenlücken und Qualitätsproblemen. Durch die Ergänzung menschlicher Tätigkeiten durch Techniken des maschinellen Lernens ist es möglich, eine ganzheitliche Sicht auf den Kunden zu erzielen. Dies verbessert die Daten, die für die Due-Diligence-Prüfung verwendetet werden, und bietet eine kontextabhängige Grundlage, um das Kundenrisiko und verdächtige Aktivitäten zu erkennen.

    Analytics kann auch die Segmentierung und Profilerstellung von Kunden für verschiedene Geschäftszwecke ermöglichen, einschließlich Compliance und Marketing. Beispielsweise könnten Kundenprofile von Compliance-Teams für Kundenrisikobewertungen oder -untersuchungen verwendet werden. Die fürs Geschäft oder für das Marketing zuständigen Teams könnten dieselben Daten verwenden, um personalisierte Bankangebote basierend auf Kundenpräferenzen zu erstellen.

    Durch die Verwendung datengestützter Erkenntnisse kann die Bekämpfung von Finanzkriminalität schneller, genauer und kostengünstiger erfolgen.
    Blair Delzoppo
    Partner EY Asia-Pacific FSO Data & Analytics
  • 3. Überprüfung der Sanktionen

    Die Leistung und Effektivität von Screening-Programmen gerät aufgrund der sich schnell ändernden und steigenden behördlichen Anforderungen zunehmend unter Druck. Die Funktionen, um Risiken zu erkennen, können in bestehenden Systemen nicht mithalten. Ein typisches Symptom für ein ineffizientes Screening ist ein stetig wachsender Rückstand an Screening-Warnungen und ein untragbar hohes Maß an Fehlalarmen. Beide Faktoren wirken sich direkt auf die Betriebskosten aus.

    Kern einer effektiven Screening-Lösung ist die Steigerung der Vollständigkeit und Genauigkeit von Daten, die vom Screening-Programm erfasst werden. Um die Abgleich- und Filterleistung des Screening-Programms zu optimieren, müssen die Daten vollständig und von hoher Qualität sein, was letztendlich zu einer Steigerung der Erkennungsraten für True-positive-Fälle und der Betriebseffizienz führt.

    Neben der Sicherstellung, dass das Screening-Programm mit präzisen Daten Spitzenleistungen erbringt, können neu auftretende KI- und Analysemethoden auch zur Behebung betrieblicher Effizienzprobleme im Zusammenhang mit Falluntersuchungen eingesetzt werden.

    Techniken des maschinellen Lernens können mit Prognoserechnungen gekoppelt werden, die auf bisherigen Ermittlungsergebnissen basieren, um die Anzahl der Warnungen erheblich zu verringern, die sicher angeordnet werden. Dadurch können sich Ermittler auf diejenigen Fälle konzentrieren, die mit der höchsten Wahrscheinlichkeit richtig positiv (true positive) sind.

    Durch den Aufbau von Prozessen, die mit größerer Wahrscheinlichkeit zu vollständigen und genauen Daten führen, und die Optimierung eines Moduls zur Vermeidung von Fehlalarmen können Aufwand und Kosten gesenkt werden.

Erkenntnisgestützter und datenbasierter Ansatz, um die Finanzkriminalität zu bekämpfen

Es ist offensichtlich, dass Finanzdienstleister sowohl von innen als auch von außen unter Druck sind, die hohen Anforderungen zu erfüllen, um die Risiken von Finanzkriminalität zu minimieren.

Um die operative Effizienz an diesen Anforderungen auszurichten, müssen Unternehmen nach innovativen Wegen suchen, um Probleme im Zusammenhang mit Suspicious Matter Report (SMR)-Umrechnungsraten, KYC-Due-Diligence und dem Warnungsmanagement anzugehen.

Die Banken sind mehr denn je darauf aus, nicht nur verdächtige Aktivitäten aus Compliance-Gründen zu melden. Ihr Ziel ist es, Daten und Technologien zu nutzen, um potenzielles kriminelles Verhalten kosteneffizienter zu identifizieren und kriminelle Aktivitäten von vornherein zu verhindern.

Um diese Probleme zu lösen, sind vollständige und genaue Daten von entscheidender Bedeutung. Eine Verbesserung der Datenqualität hat unmittelbare Auswirkungen auf die Leistung vorhandener Überwachungs- und Screening-Systeme.

Fortschrittliche analytische und kognitive Techniken wie KI, maschinelles Lernen und Automatisierung können dazu beitragen, Fehlalarme herauszufiltern und Ineffizienzen in bestehenden Untersuchungsprozessen zu verbessern. Daten und Analysen bieten die Möglichkeit, nicht nur die Effizienz zu steigern und die Betriebskosten zu senken, sondern vor allem erkenntnisgestützte und datenbasierte Methoden zur Bekämpfung von Finanzkriminalität zu ermitteln.

Wenn ich mit Kunden spreche, sind sie der Meinung, dass unsere Kombination aus Fachkenntnissen und fortschrittlichen Daten- und Analyseprodukten ihnen hilft, schneller Ergebnisse zu erzielen.
Blair Delzoppo
Partner EY Asia-Pacific FSO Data & Analytics

Fazit

Die Bekämpfung von Finanzkriminalität war für Banken, die sich immer noch auf manuelle Prozesse verlassen, um potenziell verdächtige Aktivitäten zu identifizieren, noch nie so schwierig. Fortschrittliche Analysetechniken wie maschinelles Lernen und KI-Modelle können verwendet werden, um die Risikoerkennung zu automatisieren und die Genauigkeit zu erhöhen.

Über diesen Artikel

Von

EY Global

Multidisciplinary professional services organization