Machine Learning: Der intelligente Weg zu besserer Compliance

Betrug erkennen, schneller sein als Kriminelle, Kosten für False Positives reduzieren


Machine Learning & Compliance

Compliance trifft Maschinelles Lernen

Hohe Arbeitsbelastung, zunehmender Kostendruck und die steigende Vielfalt von Betrugsversuchen sind Treiber für die Einführung von Machine Learning im Compliance-Bereich. Viele Finanzinstitute und Versicherungen verwenden regelbasierte Systeme zur Aufdeckung von Betrug wie Geldwäsche und Terrorismusfinanzierung, Marktmissbrauch und Insiderhandel. Doch bei der Nutzung regelbasierter Systeme gibt es zwei Herausforderungen:

  • Zunehmende Regularien müssen in Form von Regeln in das Compliance-System übernommen werden. Daraus entstehen immer mehr potenzielle Verdachtsfälle und „False-Positives", die abgeklärt werden müssen. 
  • Betrug wird nur bei bekannten Szenarien erkannt. Kriminelle nutzen aber oft neue Methoden, die regelbasierte Systeme nicht erkennen. 
Broschüre Compliance Suite



Key Features

Maschinelles Lernen (ML) in der ACTICO Compliance Suite

Das regelbasierte System von ACTICO ist jetzt um ML-Verfahren erweitert, die in der ACTICO Compliance Suite erfolgreich eingesetzt werden. Die Kombination aus regelbasierten Entscheidungen und Maschinellem Lernen verbindet das fachliche Know-How der Mitarbeiter (Expertenwissen) mit Wissen, das aus Daten automatisiert erlernt werden kann (Datenwissen). 

Nachvollziehbare Ergebnisse

Entscheidend ist, dass ein integriertes ML- System verwendet wird, das nachvollziehbare Ergebnisse liefert und regelbasierte  Entscheidungen ergänzt, statt sie völlig intransparent zu ersetzen. Das ML-System kann Ergebnisse kontextabhängig und intuitiv in den Überwachungs- und Abklärungsworkflow der Compliance Officers integrieren. 

Weniger False Positives

Der Einsatz von ML unterstützt die effizientere und effektivere Risikosteuerung von Compliance. Mit dieser Kombination kann die Zahl der „False-Positives“ erheblich reduziert werden. Dadurch sinken die Abklärungskosten, die Qualität der Treffer verbessert sich. Compliance Officers konzentrieren sich damit auf die relevantesten und risikoreichsten Fälle. 

Erkennen unbekannter Muster

Aufgrund des automatisierten Nachlernens von ML-Modellen können Muster erkannt werden, nach denen in regelbasierten Entscheidungen nicht gesucht wird. Das Erkennen von bisher unbekannten Verhaltensmustern ermöglicht Banken, Verlustpotenziale einzudämmen und für das Geschäft ihrer legitimen Kunden wettbewerbsfähig zu bleiben.


Vorteile 

Unterstützung bei der Entscheidungsfindung

Machine Learning unterstützt Compliance-Teams bei der manuellen Bearbeitung von potenziellen Betrugsfällen, weil der Fokus auf der Identifikation und Aufdeckung tatsächlicher Betrugsfälle liegt. ML unterstützt auf unterschiedlichen Ebenen im Prozess, z. B beim Treffen von Entscheidungen oder der Priorisierung von Fällen. 

Erkennung neuer Betrugsszenarien

Machine Learning ermöglicht die Erkennung von Mustern neuer Betrugsszenarien, die Bewertung durch Compliance Officers, die Simulation auf Basis historischer Daten, die Übernahme in die Compliance Suite und sichert die Nachvollziehbarkeit und Dokumentation der verwendeten Regeln für die Prüfung durch Auditoren. 

Effizientere Einhaltung von Vorschriften

Mehr Effizienz wird erreicht durch die Risikoerkennung nahezu in Echtzeit und die Automatisierung und Digitalisierung manueller Reporting- und Compliance-Prozesse. Machine Learning unterstützt Compliance Officers beispielsweise dabei, Regularien wie MAR und MiFID II effizienter einzuhalten.

Weniger Abklärungsaufwand

Compliance ist für Unternehmen mit hohen Kosten verbunden. Machine Learning hilft dabei, Betrug besser zu erkennen und  finanzielle Verluste einzudämmen. Vor allem aber hilft ML dabei, bessere Vorhersagen zu treffen – False Positives werden signifikant reduziert, was den Aufwand für die Abklärungen erheblich senkt.