6 minuta/e čitanja 27. ožu. 2020.
Boxer training ring shadow

Kako analiza podataka vodi borbu protiv financijskog kriminala

6 minuta/e čitanja 27. ožu. 2020.
Related topics Consulting
Glasaj

Prikaži izvore

Uz sve strože zahtjeve usklađivanja i sve veću razinu podataka, borba protiv financijskog kriminala nikada nije bila teža.

Ograničavanje globalne financijske kriminalne aktivnosti, od pranja novca i nedoličnog ponašanja na tržištu do sankcija, financiranja terorizma i primanja mita i korupcije, košta oko 1,3 trilijuna dolara godišnje, prema istraživanju Refinitiva za 2018. godinu¹. S više od 26 milijardi dolara novčanih kazni koje su u posljednjem desetljeću izdali globalni regulatorni organi za nepoštivanje propisa protiv pranja novca (AML), Know Your Customer (KYC) i Uredbe o sankcijama, postoji značajna potreba za promjenom.

Vlade i regulatorna tijela stavljaju tvrtke koje pružaju financijske usluge na prvu liniju u borbi protiv financijskog kriminala, uz sve strože zahtjeve poštivanja. Trgovinskim institucijama posebno je teško ispuniti ova visoka očekivanja zbog raznih procesa i starih tehnologija koje više ne idu ukorak s ogromnom količinom podataka i složenošću globalnog bankarskog okruženja.

Banke koje inoviraju te usvajaju nove tehnologije i tehnike kako bi ispunile zahtjeve za usklađivanje s propisima bit će lideri u industriji u godinama koje dolaze.
Blair Delzoppo
EY Asia-Pacific FSO Data & Analytics Partner

Od papira do strojeva za učenje

Obično su se financijske institucije oslanjale na ručnu, ljudsku intervenciju u regulatornom procesu izvješćivanja; doslovno stavljanje olovke na papir. To je i danas uobičajena praksa, posebno u radnom procesu upravljanja predmetom. Nekoliko nivoa istražitelja predmeta fizički pregledavaju detalje i pišu izjave o dispoziciji prije nego što se sumnjive aktivnosti i druge obveze poštivanja propisa prijave regulatornim tijelima.

No, s ogromnom količinom podataka koji pristižu u i iz bankarskih sustava, nemoguće je držati korak s potražnjom. Zaostaci za upozorenjem na rizik češće rastu nego što operativni timovi mogu podnijeti. Napredne tehnike podataka i analitike kao što su umjetna inteligencija, strojno učenje, obrada prirodnog jezika i kognitivna automatizacija mogu se koristiti za ubrzavanje ili automatizaciju značajnog dijela radno intenzivnog rada, smanjujući operativne troškove i ostavljajući ljude slobodnima da se koncentriraju na preventivne intervencije.

Uz smanjenje operativnog opterećenja u upravljanju predmetima, timovi za usklađivanje također koriste naprednu analitiku u slučajevima preventivne uporabe financijskog kriminala. To uključuje obogaćivanje procesa Know Your Customer, poboljšanje provjere sankcija i praćenje transakcijskih aktivnosti, pritom pomažući u proaktivnom prepoznavanju rizika i prilika.

Otkrili smo da modeli strojnog učenja, ne samo da ubrzavaju zatvaranje zaostataka upozorenja na rizik, već u većini slučajeva imaju viši stupanj točnosti.
Yoon Chung
EY Asia-Pacific FSO Data & Analytics Director

Inovativna rješenja za stare probleme

Slijede tri primjera mogućnosti za banke da koriste napredne tehnike i tehnologije za analizu podataka kako bi poboljšale usklađenost s propisima i korisničko iskustvo te smanjile troškove upravljanja operativnim rizikom.

  • 1. Monitoring transakcija (TM)

    U slučaju sprečavanja pranja novca, upotreba modela strojnog učenja može obogatiti upozorenja o nadzoru transakcija i potaknuti stope konverzije Suspicious Matter Reporta (SMR) – predviđajući scenarije AML-a prije nego što se pojave. Obogaćivanje potencijalno dodaje značajne detalje o kupcima, računima ili korisnicima koji su povezani s upozorenjem kao što su:

    • Raniji slučajevi, SMR-ovi ili Izvješća o pragu transakcija (TTR)
    • Postojeći procesi bodovanja koji procjenjuju rizik transakcije, niza transakcija, klijenata ili računa
    • Vanjske informacije kao što su policijski upiti, sudski pozivi ili negativne vijesti

    Pokazalo se da upotreba modela strojnog učenja otkriva "istinske pozitivne" rezultate s većom točnošću od tradicionalnih metoda i čak predviđa značajne događaje prije nego što se pojave.

    Strojno učenje i UI modeli brži su i učinkovitiji od ljudi u nadzoru AML transakcija; što više podataka gutaju, to postaju točniji.
    Yoon Chung
    EY Asia-Pacific FSO Data & Analytics Director

  • 2. Know Your Customer (KYC)

    Kako bi bile kompatibilne s KYC-om, organizacije moraju prikupljati, provjeravati, upravljati i potvrđivati podatke o klijentima za obavljanje potrebnih dubinskih analiza i omogućiti odgovarajuće procjene ili istrage rizika kupca. Međutim, izgradnja sveobuhvatnog „pojedinačnog pogleda na kupca“ kroz različite sustave unutarnjih i vanjskih izvora i digitalne interakcije već je dugi niz godina dosljedan izazov s kojim se suočavaju financijske institucije.

    Provjera KYC-a i unos podataka tradicionalno je bio ručni i neučinkovit proces - često povezan s kritičnim pogreškama, nedostacima podataka i problemima s kvalitetom. Povećavanjem ljudskih aktivnosti na tehnikama strojnog učenja moguće je postići cjelovitiji pogled na kupca, poboljšati podatke korištene za provođenje dubinske analize i pružiti kontekstualniju osnovu za utvrđivanje rizika kupca i otkrivanje sumnjivih aktivnosti.

    Analitika također može omogućiti segmentaciju i profiliranje korisnika za različite poslovne svrhe, uključujući usklađenost i marketing. Na primjer, profili kupaca mogu se koristiti od strane timova za usklađivanje za procjene ili istrage kupaca. Poslovni ili marketinški timovi mogli bi upotrebljavati iste podatke za stvaranje prilagođenih bankarskih ponuda na temelju želja klijenata.

    Korištenjem uvida koji se temelji na podacima, borba protiv financijskog kriminala može biti brža, preciznija i jeftinija.
    Blair Delzoppo
    EY Asia-Pacific FSO Data & Analytics Partner

  • 3. Provjera sankcija

    Učinkovitost alata provjere dolazi pod pritisak zbog brzog mijenjanja i povećanja regulatorne potražnje, s tim da mogućnosti otkrivanja rizika postojećih sustava nisu u stanju držati korak. Tipičan simptom slabe učinkovitosti probira je sve veći zaostatak upozorenja o screeningu i neodrživa razina lažnih pozitivnih rezultata, a oba čimbenika imaju izravan utjecaj na operativne troškove.

    U osnovi učinkovitog screening rješenja nalazi se poboljšanje cjelovitosti i točnosti podataka koje uređaj za screening unosi. Ugađanje performansi podudaranja i filtriranja screening alata zahtijeva da podaci budu potpuni i visoki kvalitetu, što u konačnici rezultira povećanjem stopa otkrivanja pozitivnih i operativne učinkovitosti.

    Osim osiguravanja da screening alat radi s maksimalnim performansama s točnim podacima, nove UI i analitičke metode mogu se koristiti i za rješavanje problema operativne učinkovitosti u vezi s istragom predmeta.

    Tehnike strojnog učenja mogu se uporediti s prediktivnim proračunima temeljenim na povijesnim odlukama istražitelja da znatno smanje broj upozorenja o sigurnoj raspoređivanju, tako da se istražitelji mogu usredotočiti na one s najvećom vjerojatnošću da budu istinski pozitivni.

    Pomažući u izgradnji procesa za koje je vjerojatnije da će rezultirati potpunim i točnim podacima i optimizirati alat kako bi se izbjegli lažni pozitivni ulozi, trud i troškovi mogu se smanjiti.

  • 3. Provjera sankcija

  • 3. Provjera sankcija

Inteligentni pristup baziran na podacima u borbi protiv financijskog kriminala

Očito je da se organizacije za financijske usluge izazivaju iznutra i izvana u potrebi da odgovaraju na zahtjeve ublažavanja rizika od financijskog kriminala.

Kako bi uskladili operativnu učinkovitost s tim zahtjevima, organizacije moraju tražiti inovativne načine rješavanja problema koji se odnose na stope konverzije SMR-a, KYC-ovu dubinsku analizut i upravljanje upozorenjem.

Postoji povećan apetit banaka da naprave korak dalje od jednostavnog označavanja sumnjivih aktivnosti u svrhu usklađenosti. Cilj je podatke i tehnologiju staviti u povoljniji položaj kako bi se isplativije identificiralo potencijalno kriminalno ponašanje te spriječilo da se zločinačke aktivnosti pojave na prvom mjestu.

Potpuni i točni podaci bitni su za rješavanje ovih problema, a povećanje kvalitete podataka imat će trenutne učinke na performanse postojećih alata za nadgledanje i pregledavanje.

Napredne analitičke i kognitivne tehnike, poput IU, strojnog učenja i automatizacije, mogu pomoći u uklanjanju lažnih pozitivnih rezultata i poboljšanju neučinkovitosti u postojećim istražnim procesima. Postoje prilike da podaci i analitika, ne samo povećavaju učinkovitost i smanje operativne troškove, već identificiraju načine vođene inteligencijom i podacima u borbi protiv financijskog kriminala.

Kada razgovaram s klijentima, oni vjeruju da im kombinacija profesionalnih vještina, naprednih podataka i analitičkih proizvoda pomaže u ubrzanju rezultata.
Blair Delzoppo
EY Asia-Pacific FSO Data & Analytics Partner

Sažetak

Borba protiv financijskog kriminala nikad nije bila teža za banke koje se i dalje oslanjaju na ručne procese u otkrivanju potencijalno sumnjivih aktivnosti. Napredne analitičke tehnike poput strojnog učenja i UI modela mogu se koristiti za automatizaciju otkrivanja rizika i povećanja točnosti.