Eine neue Entwicklung für eine neue Welt – Machine Learning in der Transaktionsüberwachung


Die Welt, in der wir heute leben, ist ein ganz anderer Ort als noch vor zehn Jahren; kriminelle Aktivitäten werden immer ausgefeilter und die Terrorismusfinanzierung hat Zugriff auf modernste Technologien. Finanzinstitute müssen, gemeinsam mit Regierungen und Regulierungsbehörden, jeden technischen Fortschritt nutzen, um dagegen anzukämpfen.

Warum Transaktionsüberwachungen notwendig sind

In der modernen Welt wird immer mehr Wert darauf gelegt, Finanzkriminalität, Geldwäsche und Terrorismusfinanzierung zu bekämpfen. Regulierungsaufsichten haben immer höhere Ansprüche und verpflichten Firmen zu einem höheren Maß an Überprüfung in der Transaktionsüberwachung. Die Digitalisierung ist ein globales Phänomen und die Vernetzung steigt beachtlich, wodurch der Druck auf Firmen erhöht wird: Es wird schwerer für sie, verdächtige Aktivitäten zu überwachen und aufzuspüren.

Firmen, die sich auf IT-Lösungen spezialisiert haben, erschaffen Tools, um den Prozess der Transaktionsüberwachung robuster zu machen und die Aufdeckung ungewöhnlicher Finanzaktivitäten zu erhöhen. Diese Systeme basieren auf den Standardtypologien der Geldwäsche:

  • Identifizierung von Ausschlägen der Anzahl oder des Werts von Überweisungen
  • Überwachung von High-Risk-Rechtsordnungen
  • Identifizierung von schnellen Zahlungsverschiebungen
  • Überprüfung sanktionierter Personen und politisch exponierter Persönlichkeiten
  • Überwachung von gelisteten terroristischen Organisationen
  • usw.

Diese Systeme sind darauf ausgerichtet, potenziell verdächtige Transaktionen zu kennzeichnen und basierend auf festgelegten Grenzwerten Alarm zu schlagen. Die Verfolgung des Tagesgeschäfts, der übliche Datenfluss und festgelegte Schwellenwerte ermöglichen es dem System, standardisierte Warnungen zu generieren. Firmen mit einem hohen Maß an Datenaktivität stehen möglicherweise vor einer beachtlichen Anzahl von Warnungen, die alle aufgezeichnet, analysiert und entweder als Falschmeldung gekennzeichnet oder an die Financial Intelligence Unit als verdächtige Aktivität weitergeben werden müssen.

Herausforderungen bei der Transaktionsüberwachung

Die Notwendigkeit, Transaktionen zu überwachen und nachzuverfolgen, bringt tatsächlich einige Herausforderungen mit sich:

  • die richtigen Schwellenwerte und Parameter definieren
  • Falschmeldungen schnell und akkurat identifizieren
  • Arbeitsabläufe rationalisieren um Kosten minimieren
  • globale und regionale Gesetze und Regulierungen erfüllen
  • akkurates und zeitgerechtes Reporting
  • akkurate Datenquellen

Wenn die Schwellenwerte zu niedrig angesetzt sind, wird das System eine hohe Anzahl von Warnungen produzieren, die analysiert werden müssen. Ist der Schwellenwert zu hoch, wird die Anzahl der Warnungen reduziert, doch die Firma wird eventuell nicht alle verdächtigen Aktivitäten aufspüren und den regulatorischen Anforderungen nicht nachkommen können – was sowohl die Reputation aufs Spiel setzt, als auch rechtliche Risiken birgt.

Die Analyse der Warnungen kann viel Zeit in Anspruch nehmen, doch sie müssen in ausreichendem Maß durchgeführt werden, um sicherzustellen, dass allen existierenden administrativen Prozessen Rechnung getragen wird. Falschmeldungen, die wahrscheinlich die größte Herausforderung darstellen, sollten identifiziert und so schnell wie möglich entfernt werden.

Was sind mögliche Lösungen?

Wenn das IT-System in der Lage wäre, von vorangegangenen Zyklen zu lernen und Falschmeldungen zu identifizieren, bevor Alarm geschlagen wird, wäre das ein bahnbrechender Faktor in der Transaktionsüberwachung, der die Identifizierung von wirklich verdächtigen Aktivitäten beschleunigen und präzisieren würde. Wir sehen immer mehr Machine-Learning-Beispiele in vielen Technologiebereichen. Finanzinstitute sollten die Gelegenheit nutzen, es für wiederholende Analysen einzusetzen.

Es gibt außerdem Warnungen, die generiert werden, obwohl sie ein relativ geringes Geldwäscherisiko bürgen, beispielsweise eine Warnung, die durch eine Gegenpartei ausgelöst wurde, die Geld zwischen ihren eigenen Konten verschoben hat (und die möglicherweise bei verschiedenen Banken liegen). Dieser Typ Falschmeldung ist sehr häufig, doch er muss trotzdem analysiert werden. Wenn das System eine vereinfachte Vorab-Analyse durchführen könnte, um diesen Typ auszuschließen oder in einen speziellen Quarantäne-Bereich zu verschieben, dann würde in Verbindung mit „Self-Learning“, die Warnungs-Landschaft übersichtlicher werden und nur die wirklich verdächtigen Transaktionen würden noch teure menschliche Intervention benötigen.

Um die Genauigkeit von Daten sicherstellen zu können, vor allem, wenn verschiedene Systeme für verschiedene Finanzprodukte genutzt werden, sollte die Datensammlung vereinfacht und gesäubert werden, damit die Überwachungsresultate für alle Produkte konsistent sind.

Compliance-Vorgänge mögen als notwendiges Übel bezeichnet werden, da diese Bereiche keine Einnahmen generieren und nur zu existieren scheinen, um die Aufsichtsbehörden zu befriedigen. Doch dieser Bereich schützt die Firma vor einer Vielzahl an Risiken und verhindert mögliche Strafen für das Nicht-Beachten von Regularien in den Märkten, in denen sie agieren. Die Kostensenkung für Compliance und Teams der Transaktionsüberwachung im gleichen Zug mit der Erhöhung der Widerstandsfähigkeit der Überwachung und dem Reporting sind daher klare Ziele für jede Organisation; dies kann erreicht werden, indem die Intelligenz der technischen Lösung gesteigert während Prozesse und Daten gestrafft werden.

Schlussfolgerung

Wenn Organisationen Transaktionsüberwachungsabläufe implementieren, müssen sie sicherstellen, dass die Systeme ausreichend widerstandsfähig sind und den Aufsichtsbehörden genaue Beweise über die historischen Aktivitäten als auch aktuelle Prozesse liefern können ¬– von der Datenerhebung bis hin zum Reporting.

Der Bereich der Transaktionsüberwachung bringt Herausforderungen mit sich und wird von vielen Organisationen als notwendiger Kostenfaktor angesehen, den man auf sich nehmen muss, um regulatorischen Anforderungen nachzukommen. Doch dieses Gebiet hat großes Potential für eine erhöhte Automatisierung und intelligente technische Lösungen, um menschliches Eingreifen zu reduzieren, was letztlich zu geringeren Kosten und reduzierter Fehlergefahr führt.

Es gibt Möglichkeiten, ein Betriebsmodell zu erschaffen, das Anwendungen und Datenquellen verbindet, um ein „selbstlernendes“ System zu erschaffen, mit der Fähigkeit nur die Transaktionen zu identifizieren, die ein echtes Risiko darstellen und gemeldet werden sollten.

Verschiedene Arten von Organisationen benötigen ein verschiedenes Ausmaß an Integration und Feinheit; daher ist auch eine Vielzahl an Regeln notwendig, die für verschiedene Arten der Geldwäsche- und Finanzkriminalität-Prävention eingesetzt werden.

Es gibt schon heute viele IT-Lösungen für diesen Prozess. Doch nur ein System, das sich weiterentwickeln und die Herausforderungen der Prozesse verstehen kann, wird auf Dauer erfolgreich sein.