14.07.2020

10 Lessons Learned: Machine Learning in der Compliance von Finanzdienstleistern

Machine Learning hat das Potenzial, den Compliance-Bereich von Finanzdienstleistern zu revolutionieren. Richtig eingesetzt, lassen sich damit der hohe personelle Aufwand und die Risiken enorm reduzieren, so dass die Kosten im KYC-Prozess um bis zu 57 % sinken. Wir haben 10 Lessons Learned aus Machine-Learning-Projekten in der Compliance von Finanzdienstleistern zusammengefasst, zeigen die entscheidenden Erfolgsfaktoren auf und erklären, worauf es wirklich ankommt.

Artikel teilen:

Lesezeit:

1. Aller Anfang ist schwer: Die richtigen Fragen stellen

Der große Vorteil von Machine Learning in Compliance und KYC besteht darin, aus riesigen Datenmengen die gesuchten Transaktionen immer leichter erkennen zu können. Das ist essentiell, um Banken bei der aufwändigen Bekämpfung von Geldwäsche, Terrorismusfinanzierung oder Betrug zu unterstützen sowie die regulatorischen Anforderungen zu erfüllen. Doch wer als Finanzdienstleister diese Technologie einsetzen will, kann die damit verbundenen Möglichkeiten zu Beginn meist noch gar nicht abschätzen. Deswegen gilt es, sich zunächst grundlegende Fragen zu stellen: Welche Ziele will ich erreichen? Welche Vorgaben muss ich erfüllen? Was geht mit Machine Learning alles besser? Welche Werkzeuge kann ich einsetzen? Wen brauche ich dafür? Womit fange ich an und wie lange wird das dauern?

2. Wichtige Kombination: Machine Learning und Expertenregeln

Machine Learning ist besonders gut, bei unscharfen Vorgaben verdächtige Muster und Transaktionen zu erkennen. Es löst jedoch nicht alle Probleme. Deswegen werden als Ergänzung auch Expertenregeln benötigt, die klare Vorgaben vom Regulator präzise abbilden können. Dabei werden die Geschäftsregeln, etwa bestimmte Compliance-Kriterien, von den Fachexperten der Banken festgelegt, die dann von spezieller Software automatisiert durchgeführt werden. Beide Ansätze ergänzen sich hervorragend: Auf der einen Seite Machine Learning bei unklaren Vorgaben und auf der anderen Seite Expertenregeln bei klaren Vorgaben.

3. Die richtigen Daten mit dem richtigen Ansatz kombinieren

Ein entscheidender Erfolgsfaktor ist, je nach Fragestellung die richtigen Daten mit dem passenden Ansatz zu kombinieren. Schließlich gibt es im Machine Learning sechs wesentliche Ansätze für unterschiedliche Aufgaben: Überwachte Ansätze wie die Klassifikation, die Regression, die Zeitreihenvorhersage oder die multinominale Klassifikation sowie unüberwachte Ansätze wie Clustering und die Anomalienerkennung. Besonders wichtig für die Compliance ist der Überwachte-Lernen-Ansatz „Klassifikation“, also die Einteilung von Kunden in zwei Kategorien: Diejenigen, die einen Alert erzeugen und noch einmal geprüft werden müssen sowie diejenigen, bei denen keine weitere Prüfung mehr nötig ist. Dieser Ansatz erfordert allerdings einen Datentopf, in dem die Problemfälle, die erkannt werden sollen, repräsentativ enthalten sind. Sind die riskanten Fälle jedoch nicht in ausreichender Stückzahl im Datenpool vorhanden, kommen unüberwachte Ansätze zum Einsatz – vor allem das Kunden Clustering und die Anomalienerkennung.

4. Machine Learning Entscheidungen dürfen keine Blackbox sein

Beim Einsatz von Machine Learning in der Compliance spielt das Thema Nachvollziehbarkeit eine große Rolle. Das Machine-Learning-Modell darf also keine Black Box sein, bei der unklar ist, wie die Ergebnisse zustande kommen. Man muss eindeutig nachvollziehen können, warum das Modell die eine oder andere Entscheidung getroffen hat. Die Erklärbarkeit wird in erster Linie von der Finanzaufsicht gefordert. Darüber hinaus ist sie auch wichtig für die Transparenz im Unternehmen, für die Qualitätssicherung der Modelle und auch, um gegenüber einem betroffenen Kunden aufzeigen zu können, warum es zu der jeweiligen Entscheidung gekommen ist. Das heißt: Im Umfeld der Banking Compliance dürfen keine Machine-Learning-Modelle an wichtigen Stellen eingesetzt werden, ohne die Nachvollziehbarkeit mit an Bord zu haben.

5. Operationalisierung: Das ML-Modell erfolgreich in die Praxis transferieren

Eine entscheidende Herausforderung bei allen Machine-Learning-Projekten oder Piloten ist das Thema Operationalisierung. Hier geht es um den konkreten operativen Einsatz des Modells in den jeweiligen Geschäftsprozessen. Aus unserer Erfahrung wissen wir, dass viele Projekte an diesem Punkt scheitern und nicht etwa an der Erstellung des Modells. Die Gründe dafür liegen vor allem in den unterschiedlichen Welten der Entwicklungs- und Anwendungsbereiche. Denn die auf die Entwicklung von ML-Modellen spezialisierten Data Scientists und die auf die Anwendung fokussierten IT und Operations Teams arbeiten organisatorisch getrennt und verfolgen teils unterschiedliche Ziele. Um beide Welten zusammenzuführen braucht es Plattformen und Tools, die sowohl die Erstellung der ML-Modelle wie auch die Einführung abdecken.

6. Die Qualität lässt sich kontinuierlich verbessern

Ist das Machine-Learning-Modell erfolgreich in den Geschäftsprozessen eingesetzt und liefert zuverlässig Ergebnisse, ist ein wichtiger erster Schritt erreicht. Es ist jedoch kein Selbstläufer. Die Qualität des Modells muss kontinuierlich verbessert werden. Denn jeder Tag liefert neue Daten, ein neues Verhalten der Akteure sowie neue Entscheidungen. Das erfordert eine fortschreitende Anpassung der bestehenden Modelle oder gegebenenfalls sogar das Einrichten neuer Modelle. Für den Einsatz in der Compliance bedeutet das, dass man die Modelle in sinnvollen Zeitabschnitten, – etwa quartalsweise, halbjährlich oder jährlich – noch einmal entsprechend der geänderten Rahmenbedingungen neu trainieren muss und dann wieder live nimmt. So lässt sich die Qualität kontinuierlich sicherstellen und optimieren.

7. Die Einsparung bei Abklärungen erreicht über 50 %

Das Einsparpotenzial durch den Einsatz von Machine Learning in der Compliance von Finanzdienstleistern ist enorm. Wir haben mehr als zehn von uns durchgeführte Kunden-Projekte und Piloten auf diesen Aspekt hin untersucht. Trotz unterschiedlicher Rahmenbedingungen bei den einzelnen Kunden – etwa in Bezug auf die Datenqualität, Informationen, Kundenstruktur und Sanktionslisten – konnten wir über alle Projekte hinweg einen Bereich an Einsparungen von 30 % bis über 50 % feststellen. Konkret bedeutet das: Um weiterhin 100 % der True Positives, also der echten Treffer, zu finden, mussten nur noch rund 50 % der False Positives angeschaut werden.

8. Intelligente Reviews senken neben Kosten auch Risiken

Die Kosten zu reduzieren ist nicht das einzige Ziel von Machine-Learning-Modellen in der Compliance von Banken. Entscheidend ist dabei vor allem auch, die Risiken zu senken. Mithilfe intelligenter Reviews funktioniert das manchmal sogar an Stellen, an denen man gar nicht damit gerechnet hat.

9. Risiken, die in der Vergangenheit nicht gefunden wurden, lassen sich jetzt aufspüren.

Die Machine-Learning-Modelle lassen sich nicht nur auf neue, zukünftige Fälle anwenden. Sie können auch ohne großen Aufwand Risiken aufspüren, die in der Vergangenheit nicht beachtet wurden. Das bedeutet, man kann rückwirkend die ganze Historie an Fällen durchforsten und darunter automatisiert verdächtige Fälle finden, die früher als unproblematisch eingestuft worden sind. Machine Learning ist also nicht nur ein in die Zukunft gerichtetes Thema. Man kann auch die Vergangenheit durchleuchten und bisher übersehene kritische Fälle zu Tage fördern.

10. Erfahrung macht den Unterschied

Die Erfahrung eines kompetenten Dienstleisters ist ein entscheidender Vorteil, wenn Finanzdienstleister Machine-Learning-Modelle erfolgreich in ihren Compliance-Abteilungen etablieren wollen. Ein profundes Verständnis der Möglichkeiten, Stärken und Schwächen von Machine Learning ist essentiell, um nicht in die falsche Richtung zu laufen und schneller ans Ziel zu kommen. Erfahrung ist auch unerlässlich wenn es darum geht, den richtigen Ansatz für die zur Verfügung stehenden Daten zu wählen sowie die regulatorischen Vorgaben zu erfüllen. Zudem lassen sich mit einem erfahrenen Partner zuverlässigere Aufwandsschätzungen durchführen und die Planungssicherheit erhöhen.

Webinar: Wie Banken das Sanktions- und PEP-Screening im KYC-Prozess optimieren

Sie wollen mehr darüber erfahren? Sehen Sie hier das Webinar, in dem wir 10 Lessons Learned kurz zusammengefasst oder als 40-Minuten-Webinar zeigen.

Webinar ansehen

10 Lessons Learned: Machine Learning in der Compliance von Finanzdienstleistern

1. Aller Anfang ist schwer: Die richtigen Fragen stellen

2. Wichtige Kombination: Machine Learning und Expertenregeln

3. Die richtigen Daten mit dem richtigen Ansatz kombinieren

4. Machine Learning Entscheidungen dürfen keine Blackbox sein

5. Operationalisierung: Das ML-Modell erfolgreich in die Praxis transferieren

6. Die Qualität lässt sich kontinuierlich verbessern

7. Die Einsparung bei Abklärungen erreicht über 50 %

8. Intelligente Reviews senken neben Kosten auch Risiken

9. Risiken, die in der Vergangenheit nicht gefunden wurden, lassen sich jetzt aufspüren.

10. Erfahrung macht den Unterschied

Webinar: Wie Banken das Sanktions- und PEP-Screening im KYC-Prozess optimieren

Das könnte Sie auch interessieren

On-Demand-Webinar

Einsparungen im KYC-Prozess mit Machine Learning

Whitepaper

Machine Learning in Compliance

Blog-Beitrag

Warum Machine Learning bis zu 57% Einsparungen im KYC-Prozess bringt