Aufrufe
vor 11 Monaten

KINOTE 02.2021

  • Text
  • Wwwbankverlagde
  • Effizienz
  • Unternehmen
  • Roboter
  • Prozesse
  • Einsatz
  • Beispielsweise
  • Automatisierung
  • Treffer
  • Transaktionen
  • Banken
Um einen Wandel der Finanzbranche erfolgreich zu meistern, müssen Kreditinstitute sowohl Chancen als auch Herausforderungen der Künstlichen Intelligenz (KI) erkennen. Unter der neuen Marke KINOTE der Bank-Verlag GmbH finden Sie Meldungen, Studien und Fachartikel zum Themenkomplex KI. Wir beantworten Ihre Fragen rund um KI. Wir berichten über Trends, neue Technologien, Forschungsergebnisse und daraus entstehende Möglichkeiten, die KI Ihrem Unternehmen bietet.

28 02 | 2021 Payment

28 02 | 2021 Payment Screening Machine Learning führt zu einem Optimum an Effizienz Höhere Anforderungen an die Zahlungsüberwachung zur Prävention von Geld wäsche und Terrorismusfinanzierung erhöhen die Kosten für Finanzinstitute. Einer der größten Kostentreiber ist die manuelle Bewältigung der rasant zunehmenden Verdachtsmeldungen durch Compliance-Mitarbeitende. Auch der steigende Trend zum Instant Payment erfordert neue Mechanismen bei der Prüfung von ein- und ausgehenden Zahlungen. Hier kommt Machine Learning ins Spiel.

02 | 2021 29 Machine Learning kann dabei helfen, die hohen Anforderungen nach einer unscharfen Suche (Fuzzy Matching) zu erfüllen und gleichzeitig die Anzahl der Falschmeldungen (False Positives) auf ein Minimum zu reduzieren. Die VP Bank Gruppe, eine international agierende Privatbank, hat ihr Payment Screening von scharf auf fuzzy umgestellt und berichtet über ihre Erfahrungen. Um einzelne Transaktionen im Zahlungsverkehr zu erkennen, die Anhaltspunkte für Geldwäsche, Terrorismusfinanzierung und sonstige strafbare Handlungen aufweisen, müssen Kreditinstitute geeignete Payment-Screening-Systeme betreiben. Diese prüfen Daten ein- und ausgehender Zahlungen automatisiert gegen Sanktionslisten, Embargolisten und weitere Black Lists. Geprüft werden in der Regel Nachnamen, Vornamen, Firmennamen, Aliasse, Domizile, alternative Schreibweisen und Buchungstexte. » 1 Wird eine potenzielle Übereinstimmung von Transaktionsdaten mit Sanktionslisten-Daten (Treffer) gefunden, wird die Zahlung gestoppt und zur weiteren Bearbeitung an die lokale Compliance-Einheit zur Abklärung gesendet. Finanzaufsichten fordern unscharfe Suche für Kreditinstitute Die Anforderungen an die Finanzinstitute für eine effektive Prävention von Geldwäsche und Terrorismusfinanzierung steigen. So wird von diversen Regulatoren erwartet, dass im Rahmen des Sanktionsscreenings eine Software eingesetzt werden sollte, die „die Überprüfung von Namen auf Ähnlichkeiten mittels unscharfer Suchlogik (fuzzy logic) zulässt“. Fuzzy bedeutet hier, dass eine risikobehaftete Transaktion nicht nur dann gefunden werden soll, wenn die Zeichenfolge der Namen exakt gleich ist, sondern auch dann, wenn die Zeichenfolge ähnlich ist, der Name also bewusst oder unbewusst durch einen Tippfehler oder eine andere Schreibweise verfälscht wurde. Die Suchlogik sollte dafür höchst effektiv sein und möglichst viele Verfälschungen zuverlässig erkennen können. Um festzustellen, wie gut die unscharfe Prüfung funktioniert, muss geklärt werden, welche Arten von Verfälschungen der Algorithmus erkennen kann. Bei diesen Effektivitätstests werden zunächst Testdaten generiert, bei denen die zu findenden Namen bewusst anhand festgelegter Muster, wie beispielsweise dem Vertauschen von Buchstaben, verfälscht wurden. Das zu testende System sollte nun möglichst alle Testdatensätze den ursprünglichen Namen zuordnen können. Je besser ein System die Testfälle erfüllt, desto effektiver arbeitet es. Der Trade-off zwischen Effektivität und Effizienz: höhere Kosten oder mehr Risiko Aber nicht nur die Regulatorik treibt Banken dazu, ihr Transaktions-Monitoring neu aufzustellen. Auch die Notwendigkeit, effizienter zu arbeiten gehört zu den Treibern dieser Entwicklung. Die Effizienz ist dabei ein Maß dafür, wie viel Aufwand ein Treffer generiert. Jeder potenzielle Treffer, der gefunden wird, muss geprüft und abgeklärt werden. In der Folge wird entschieden, ob der Name, der in der Zahlung auftaucht, tatsächlich jene Person ist, die auf der Sanktionsliste steht. Je weniger unnötige Treffer gefunden werden, desto effizienter arbeitet das System. Wann genau ist ein potenzieller Treffer ein wirklicher Treffer (True Positive) oder ein False Positive, also ein Treffer, bei dem keine Identität der Person mit dem Individuum auf den entsprechenden Sanktionslisten besteht? Die Herausforderung ist nun, dass die unscharfe Suche mehr Risikohinweise (Treffer) erzeugt als eine exakte Suche. Der Grund: Die unscharfen Treffer findet das System zusätzlich zu den exakten Treffern. Das erhöht den Arbeitsaufwand der Zahlungsverkehr- und Compliance-Mitarbeitenden, die jeden Treffer manuell abklären müssen. Instant Payments befeuern Konflikt zwischen Kosten und Risiko weiter Dieser Zielkonflikt zwischen möglichst hoher Effektivität bei der unscharfen Suche und möglichst wenig unnötigen Treffern wird durch die steigende Bedeutung von Instant-Payment- Verfahren weiter verschärft. Denn eine manuelle Bearbeitung ist innerhalb des für Instant Payment vorgesehenen Zeitfensters von zehn Sekunden unmöglich, sodass ein False Positive zum Leidwesen der Kundschaft nicht ausgeführt werden kann.

die bank

© die bank 2014-2020