Aufrufe
vor 5 Jahren

die bank 01 // 2019

  • Text
  • Banken
  • Institute
  • Zudem
  • Unternehmen
  • Zahlungsverkehr
  • Transaktionen
  • Deutschland
  • Vorgaben
  • Anforderungen
die bank gehört zu den bedeutendsten Publikationen der gesamten Kreditwirtschaft. Die Autoren sind ausnahmslos Experten von hohem Rang. Das Themenspektrum ist weit gefächert und umfasst fachlich fundierte Informationen. Seit 1961 ist die bank die meinungsbildende Fachzeitschrift für Entscheider in privaten Banken, Sparkassen und kreditgenossenschaftlichen Instituten. Mit Themen aus den Bereichen Bankmanagement, Regulatorik, Risikomanagement, Compliance, Zahlungsverkehr, Bankorganisation & Prozessoptimierung und Digitalisierung & Finanzinnovationen vermittelt die bank ihren Lesern Strategien, Technologien, Trends und Managementideen der gesamten Kreditwirtschaft.

SCHWERPUNKT

SCHWERPUNKT ZAHLUNGSVERKEHR 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 Privatkunden 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 im Rahmen der 4. EU-Geldwäscherichtlinie ins Leben gerufen wurden, sollen die Informationsbeschaffung zusätzlich erleichtern. Hier geführte Daten zu Konten, Steuersitzland, wirtschaftlich Berechtigten, Vorstandsmitgliedern, Begünstigten, Treugebern etc. können beim Erkennen von Steuerdelikten, Geldwäsche und sonstigen strafbaren Handlungen hilfreich sein. Allerdings dürfen Banken nur anlassbezogen Einsicht nehmen. Das schränkt den Automatisierungsgrad insbesondere mit Blick auf die Aktualität der Daten stark ein. 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. Beim Vorgehen hat sich das Motto „Start simple“ bewährt. Nicht immer ist ein grundlegender Umbau der Transaktionsüberwachung erforderlich, um neue regu- 60 01 // 2019

SCHWERPUNKT ZAHLUNGSVERKEHR 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 Institut 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. latorische 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 Methoden die optimale Lösung. Den Einsatz gilt es im Einzelnen abzuwägen. 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 Mus- 01 // 2019 61

die bank