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.

40 02 | 2021

40 02 | 2021 Stellschrauben zur Prüfungsoptimierung Die Beispiele zeigen: Banken müssen eine Vielzahl von Informationen kombinieren können, um mögliche Zusammenhänge zu verstehen, für den Kunden ungewöhnliche Transaktionen zu erkennen und damit mögliche strafbare Handlungen zu identifizieren. Die Umsetzung ist eine äußerst komplexe Angelegenheit, die allerdings viel Spielraum bietet, die Prüfabläufe zu optimieren und damit den Aufwand für die wichtige Pflichtaufgabe zu begrenzen. Drei Stellschrauben sind zentral, um die Qualität der automatisierten Prüfung in Umfang und Treffgenauigkeit zu verbessern: 1. Relevante Daten in hoher Qualität verfügbar machen Dieser Schritt klingt für interne Daten einfach. Allerdings liegen häufig nicht alle potenziell relevanten Informationen an der erforderlichen Stelle zur Analyse vor. Um das zu verbessern, können technisch aufwendige Anpassungen bis hin zu komplexen Prozessmodifikationen erforderlich sein. Um ungewöhnliche Muster zu erkennen, kann der Kunde unter anderem mit seiner Peer Group verglichen werden, beispielsweise einem Unternehmen der gleichen Branche mit ähnlichen Umsatzvolumina. Bei Privatkundschaft bilden unter anderem Kunden der gleichen Altersklasse und mit ähnlichem Einkommen eine Vergleichsgruppe. Sind Umsätze antizyklisch, außergewöhnlich hoch, oder gibt es Zahlungen mit Unternehmen, die nicht zur Wertschöpfungskette passen, können Banken hieraus eine Auffälligkeit ableiten. Dieser müssen sie weiter nachgehen oder sie den Behörden melden. Darüber hinaus gibt ein Abgleich des Transaktionsverhaltens des Kunden mit seiner Transaktionshistorie Aufschluss über Besonderheiten. Die genannten Maßnahmen setzen viele Banken bereits um. Allerdings werden wertvolle Datenquellen oft nicht angezapft. Eine nützliche, aber häufig ungenutzte Quelle sind Informationen, die eine Bank im Rahmen des Know-Your- Customer-(KYC-)Prozesses erhält. Sie geben Aufschluss über die Geschäftstätigkeit sowie über Begünstigte und Steuerdaten. Diese KYC-Daten werden nicht immer in das automatisierte Transaktionsmonitoring integriert. Ähnliches gilt für externe Daten: Die Liste der Anbieter von Firmendaten ist lang. Neben Informationen, die für Sanktionen und Embargos relevant sind, gibt es Auskunfteien mit Informationen zu Branchen- und Finanzdaten, Unternehmensstrukturen und Beteiligungsverhältnissen, Vorstand, Geschäftsführer und Gesellschafter. Die nationalen Transparenzregister, die ursprünglich im Rahmen der 4. EU-Geldwäscherichtlinie ins Leben gerufen wurden, werden weiter verbessert – vor allem der Datenbestand, die Datenstruktur und der automatisierte Abruf. Im Register geführte Daten zum wirtschaftlich Berechtigten – also der natürlichen Person, die wesentlich Kontrolle über den Bankkunden oder Vertragspartner ausübt – können beim Erkennen von Steuerdelikten, Geldwäsche und sonstigen strafbaren Handlungen hilfreich sein. Der Grad der Automatisierbarkeit des Datenabrufs sowie der Datenverfügbarkeit sind bedeutende Hebel.. 2. Prüfmechanismen aufsetzen Der Einsatz von Regeln zur Identifikation auffälliger Muster ist ein bewährtes Vorgehen, das je nach Anforderung für Echtzeitprüfungen – zum Beispiel beim Schutz vor Betrug im Online Banking – oder nachgelagert zur Geldwäscheprävention verwendet werden kann. Bestehende Prüfmodelle sind jedoch oft nicht so effektiv, wie sie sein könnten, da nicht ausreichend relevante Daten automatisiert zur Verfügung stehen.

02 | 2021 41 Methoden die optimale Lösung. Den Einsatz gilt es im Einzelnen abzuwägen. 3. Methoden wie Advanced und Predictive Analytics gezielt nutzen Viele Banken sind auf Methoden aufmerksam geworden, die auf Machine-Learning-Mechanismen oder Künstlicher Intelligenz beruhen. Sie ermöglichen einen anderen Umgang mit den erzeugten Treffern und den identifizierten potenziellen Geldwäsche- oder Betrugsfällen. So kann ein In stitut durch den KI-Einsatz einfachere Analysen automatisieren, die zuvor manuell ausgeführt wurden. Die gewonnene Arbeitszeit kann dazu genutzt werden, bei der Transaktionsanalyse genauer hinzuschauen und das bestehende Monitoring sensibler oder umfangreicher zu gestalten. Beim Vorgehen hat sich das Motto „Start simple“ bewährt. Nicht immer ist ein grundlegender Umbau der Transaktionsüberwachung erforderlich, um neue regulatorische Anforderungen zu erfüllen. Mittels einer gründlichen Risikoanalyse unter Berücksichtigung einschlägiger Quellen wie FATF, Egmont Group, Wolfsberg, interner Schadensfalldatenbanken sowie durch das Führen von Experteninterviews lassen sich viele Lücken identifizieren, schließen oder zumindest minimieren. Häufig kämpfen Banken mit zeitlichen oder finanziellen Begrenzungen. Das bedeutet, sie müssen priorisieren und prüfen, welche Maßnahmen den größten Hebel bewirken. Dieser Hebel lässt sich beispielsweise in den Dimensionen Effektivität und Machbarkeit messen. Was in Bezug auf mögliche Schäden und regulatorische Anforderungen die stärkste Verbesserung erwarten lässt und zeitnah umsetzbar ist, wird am höchsten gewichtet. Bei der Bewertung der Machbarkeit ist neben den Grenzen der vorhandenen Systeme die angesprochene Datenverfügbarkeit ein essenzieller Faktor. Banken sollten die Komplexität ihrer Prüfmechanismen schrittweise steigern: Auch durch regelbasierte Prüfungen können komplexe Muster zielgerichtet erkannt werden. Daher sind nicht in jeder Situation technisch aufwendige Exkurs: Künstliche Intelligenz und Machine Learning Künstliche Intelligenz ist ein Teilgebiet der Informatik. Der Computer soll hier „intelligentes“ Verhalten erlernen. Der Mehrwert liegt darin, Prozesse zu automatisieren und neue Erkenntnisse über Daten zu erlangen. Bei der Anwendung von KI geht es häufig auch um Machine Learning. Maschinell lernende Algorithmen sind dazu fähig, von Daten, mit denen sie gefüttert werden, zu lernen. Zwei Arten von Machine Learning spielen dabei eine Rolle: unüberwachtes sowie überwachtes Machine Learning. Beim unüberwachten Machine Learning versucht man, bisher unbekannte Strukturen in den Daten zu finden (Dimensionsreduktion und Clustering). Ziel ist es, neues Wissen aus Daten herauszulesen, das vorher für Experten nicht ersichtlich war. Banken können diese Technologien nutzen, um Kunden zu gruppieren, aber auch um das „Normalverhalten“ eines Kunden zu analysieren. Im Gegensatz dazu geht es beim überwachten Machine Learning um Vorhersagen, um das Schätzen von Werten und das Klassifizieren (Regression und Klassifikation). Auch hier erlernt der Algorithmus bestimmte Muster anhand angelieferter Daten, mit deren Hilfe er später die Vorhersage trifft. Eine Spezialform von Machine Learning ist Deep Learning. Die Algorithmen sind im Allgemeinen wesentlich komplexer und haben deutlich mehr freie Parameter, die während des Trainings optimiert werden müssen.

die bank

© die bank 2014-2020