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

KYC-Prozesse richten sich künftig immer stärker an technologisch-quantitativen Kriterien aus. Welche Effekte hat das auf den KYC-Prozess? Das haben wir untersucht und dabei das Sanktionslisten- und PEP-Screening genauer unter die Lupe genommen.

Compliance nimmt in Banken und Versicherungen eine bedeutende Rolle ein. Das sieht man allein daran, dass die Finanzaufsicht BaFin in 2019 über 50 Prozent mehr Institute als im Vorjahr geprüft hat und angekündigt hat, im Einzelfall hart durchzugreifen. Um Geldwäsche und Terrorismusfinanzierung zu verhindern, hat sich insbesondere der risikobasierte Ansatz, der von der Financial Action Task Force (FATF) empfohlen wurde, etabliert.

Für diesen risiko-basierten Ansatz sind jetzt fortgeschrittene Methoden und Analysetechnologien wie Machine Learning im Kommen. Wir haben untersucht, welche Verfahren die Analyse von Risikokunden und PEPs am besten bewerkstelligen und welchen Gewinn Banken und Versicherungen daraus ziehen.

Welche Machine-Learning-Verfahren eignen sich zur Verbesserung des KYC-Prozesses?

Es gibt mehrere Machine-Learning-Verfahren, die für Compliance in Frage kommen. Supervised Learning mit Random Forests hat sich als ein Verfahren herausgestellt, das sich für Compliance gut eignet. Es ist leicht zu bedienen und zu verstehen. Gleichzeitig bietet es eine hohe Qualität.

Banken und Versicherungen sind die Gewinner: Über 50 Prozent Einsparung bei Abklärungen von false positives im KYC-Prozess

ACTICO Machine Learning erlaubt es den Mitarbeitenden in Compliance, die Prüfergebnisse im Einzelfall zu klassifizieren, so dass sich der Random-Forest Algorithmus automatisch optimiert. Mit ihrem Feedback verbessern sie die zukünftige Klassifikation. Die besten Ergebnisse werden also erzielt, wenn Compliance- und Machine-Learning-Experten kooperieren und Modelle trainieren. Dann lassen sich bis zu 57 Prozent der Abklärungen einsparen.

Wie arbeitet Machine Learning mit KYC-Software zusammen?

Alle Banken und Versicherungen setzen eine KYC-Software zur Überprüfung von Kunden ein. Sie ermittelt die tatsächliche Übereinstimmung mit Einträgen in einer Sanktionsliste, also die true positives. Aber auch die false positives, also nicht übereinstimmende Meldungen, werden erzeugt. Das ist aus regulatorischer Sicht korrekt. Es bedeutet aber viel Arbeitsaufwand für Compliance-Mitarbeitende, weil sie false positives abklären müssen, die keine Risikopersonen sind.

Hier kommen Machine-Learning-Verfahren ins Spiel. Je weniger false positives vorliegen, desto geringer ist der Abklärungsaufwand für Compliance-Mitarbeitende.

Was sagt die praktische Erfahrung von Banken und Versicherungen zum Einsparpotenzial?

Datenanalysen haben ergeben, dass die Cut-off-Ratio bis zu 43 Prozent beträgt. Das bedeutet, dass 57 Prozent der gefundenen Treffer mit hoher Wahrscheinlichkeit kein Risiko darstellen und deshalb nicht abgeklärt werden müssen.

Das ist das Resultat von trainierten Machine-Learning-Modellen, die übereinstimmende Daten mit Sanktionslisten noch besser evaluieren.

Machine Learning ist als Komponente in der ACTICO Compliance Suite enthalten und sagt die Wahrscheinlichkeit voraus, mit der eine Übereinstimmung mit der Sanktionsliste ein wirkliches Risiko darstellt.

Fazit

Machine Learning klassifiziert Treffer, also Übereinstimmungen von Kundendaten mit PEP- und Sanktionslisten. Die Identifizierung von false positives und der Ausschluss nicht-relevanter Treffer reduziert den Aufwand und entlastet Compliance-Mitarbeitende.