Wie Banken im KYC Prozess bis zu 57 % mit Machine Learning  einsparen

10 Lessons Learned kurz zusammengefasst oder als 40-Minuten-Webinar.

40-Minuten-Webinar ansehen

Lessons Learned 1:
Aller Anfang ist schwer.

Welche Erkenntnisse gewinnen Banken, Finanzdienstleister und Versicherungen dank Machine Learning in Compliance? Das erklären Thomas Knöpfler und Thomas Ohlemacher.

Lessons Learned 2:
Klare Vorgaben erfordern neben Machine Learning auch Expertenregeln.

Machine Learning löst nicht alle Probleme – auch Expertenregeln spielen eine wichtige Rolle. Mehr dazu sehen Sie in diesem Video.

Lessons Learned 3:
Die richtigen Daten mit dem richtigen Ansatz kombinieren.

Im Bereich Machine Learning existieren unterschiedliche Ansätze, die sich für unterschiedliche Fragestellungen eignen. Wichtig ist, die richtigen Daten zu haben.

Lessons Learned 4:
Machine-Learning-Entscheidungen dürfen keine Blackbox sein.

Wenn Machine-Learning-Modelle Entscheidungen treffen, müssen diese nachvollziehbar sein. Nur so lässt sich die Qualität der Modelle sicherstellen.

Lessons Learned 5:
Das Machine-Learning-Modell erfolgreich in die Praxis transferieren.

Die Operationalisierung von Machine-Learning-Modellen ist oft der schwierigste Schritt. Wir zeigen Ihnen in dieser Lesson Learned wie Sie Modelle erfolgreich in die Praxis transferieren können.

Lessons Learned 6:
Die Qualität lässt sich kontinuierlich verbessern.

Machine-Learning-Modelle sind keine starren Konstrukte, sondern sollten regelmäßig überprüft und angepasst werden, damit sich die Qualität fortlaufend verbessern lässt.

Lessons Learned 7:
Die Einsparung bei Abklärungen erreicht über 50%.

Mithilfe von Machine Learning erreichen die Einsparungen bei Abklärungen über 50 Prozent. Die genauen Hintergründe erfahren Sie in dieser Lesson Learned.

Lessons Learned 8:
Mit intelligenten Reviews neben Kosten auch Risiken senken.

Kostensenkung ist eines der Ziele von Machine Learning in Compliance. Tatsächlich gehört aber auch das Senken von Risiken dazu.

Lessons Learned 9:
Risiken aufspüren, die in der Vergangenheit nicht gefunden wurden.

Machine-Learning-Modelle können in Compliance einfach und ohne viel Personalaufwand vergangene Fälle durchforsten und feststellen, ob Risiken übersehen wurden.

Lessons Learned 10:
Erfahrung macht den Unterschied.

Welche Ziele hat man, welche regulatorischen Vorgaben gibt es? Diese und mehr Fragen muss man beantworten, um ein erfolgreiches Machine-Learning-Modell aufzusetzen.

Das könnte Sie auch interessieren

Whitepaper: KYC-Prozess mit Machine Learning optimieren

Im Whitepaper erfahren Sie, wie Machine Learning die Abklärung von 57% der false positives einsparen kann.

Whitepaper herunterladen
Broschüre: Name Matching Customer (NMC) mit Machine Learning

Kundendaten mit Sanktions- und PEP-Listen abgleichen und Treffer mit Machine Learning priorisieren.

Broschüre herunterladen
Whitepaper: Compliance und Machine Learning

Warum erfolgreiche Banken beim Thema Compliance jetzt auf Machine Learning setzen.

Whitepaper herunterladen

Kontaktieren Sie uns