09.03.2022

Umdenken in Compliance: Machine Learning in der Zahlungsüberwachung

Artikel teilen:

Wie Machine Learning die Kostenexplosion in der Zahlungsüberwachung verhindert

Der Trend zu mehr Instant Payments und die regulatorischen Anforderungen zwingen Compliance in Banken zum Umdenken. Bei der Überwachung von Zahlungstransaktionen auf Embargoverstöße steigen die Ansprüche: Sicherheit, Geschwindigkeit und Kostenbewusstsein sind wichtige Aspekte. Ist der Prozess nicht weitgehend automatisiert, ist die manuelle Bearbeitung durch Compliance-Mitarbeitende kaum mehr zu schaffen und produziert eine regelrechte Kostenexplosion.

Weniger False Positives trotz unscharfer Suche (Fuzzy Matching)

Viele Regulatoren verlangen von Banken und Finanzinstituten zudem ein Fuzzy Matching beim Abgleich von ein- und ausgehenden Zahlungen gegen Sanktionslisten, Embargolisten und Black Lists. Fuzzy bedeutet hier, dass risikobehaftete Transaktionen gefunden werden müssen, wenn die Zeichenfolge in einem Namen nicht exakt sondern auch ähnlich zu der Zeichenfolge auf einer Sanktionsliste ist.

Der Haken an der Sache:

Die Fuzzy Suchlogik führt in der Regel zu mehr False Positives als die scharfe Suche, weil sie naturgemäß mehr Fälle findet als eine scharfe Suchlogik.  Hier kommt Machine Learning ins Spiel. Ein trainiertes Machine- Learning-Modell kann die Suche so optimieren, dass dem Compliance-Team mehrheitlich nur noch True Positives, also echte Risiken, zur manuellen Abklärung gemeldet werden.

VP Bank Gruppe reduziert Arbeitsaufwand trotz Fuzzy Matching auf 50%

Diesen Herausforderungen sah sich die international tätige VP Bank Gruppe gegenübergestellt. Zur Überwindung des Trade-offs zwischen Kosten und Risiken bei der unscharfen Suche implementierte die Privatbank ein neues Payment Screening System auf der Basis von Machine Learning. Die Software kombiniert verschiedene Vergleichsalgorithmen, um möglichst alle risikobehafteten Transaktionen zu finden (Effektivität) und gleichzeitig möglichst wenige Transaktionen zu finden, die sich bei näherer Betrachtung als risikofrei herausstellen (Effizienz). Im Ergebnis zeigt sich eine signifikante Erhöhung der Trefferqualität bei gleichzeitiger Reduzierung des Arbeitsaufwandes um 50 Prozent.

Wie Fuzzy Matching funktioniert und wie die VP Bank Gruppe genau vorgegangen ist, erfahren Sie bei KI-Note und in der Success Story.

Zur KI-Note (externer Link) 

Erfolgsgeschichte lesen

Weitere interessante Einblicke in das Thema Payment Screening mit Machine Learning liefert unser aktuelles Whitepaper.

Whitepaper herunterladen