Geldwäscheprävention – Wieviel Automatisierung ist möglich?
Schwerfällige Lösungen und Verfahren bei der Geldwäscheprävention und -überwachung – Abhilfe durch automatisierte Prozesse und gezielten Einsatz von modernster Technologie
Die regulatorischen Anforderungen im Bereich der Geldwäscheprävention und -erkennung nehmen immer weiter zu und verschlingen mehr und mehr Zeit und Geld. Mit automatisierten Prozessen und dem Einsatz der richtigen Technologie gelingt die Einhaltung der Vorgaben effizienter und der Bearbeiter kann seine Aufmerksamkeit auf die wirklich kritischen Fälle richten.
Die Voraussetzung, um neue Technologien wie künstliche Intelligenz oder das oft synonym verwendete Machine Learning verwenden zu könnenist immer ein Datenhaushalt, der eine möglichst hohe Qualität aufweist. Nur mit sinnvollen Daten kann auch ein Ergebnis erzielt werden, aus dem die richtigen Schlüsse gezogen werden können. Bereits der Kundenanlage- und KYC-Prozess sollte daher optimiert werden.
Wie kann man hierbei vorgehen? Im ersten Schritt führt z.B. schon der automatisierte Vergleich von Stammdaten mit offiziellen Datenbanken dazu, gespeicherte Informationen auf ihre Richtigkeit zu überprüfen.
Bei der tatsächlichen Erkennung von Geldwäscheverdachtsfällen kann man sich dann Methoden und Technologien zu Nutze machen, die sich in den letzten Jahren stark weiterentwickelt haben.
Dabei sind u.a. folgende Lösungen denkbar:
- Regelbasierte Lösungen:
Hierbei werden Transaktionslisten mit Hilfe von konventionellen Statistiken und Regeln überprüft. Mit Hilfe dieses Verfahrens kann aber nur eine begrenzte Menge an Daten überwacht und kontrolliert werden. Technisch kann dieses Verfahren durch Decision Management Software unterstützt werden, in der die definierten Regeln systematisch hinterlegt und abgeprüft werden. - Supervised Machine Learning:
Während im ersten Verfahren Ausreißer schwierig bis gar nicht erkennbar sind, können beim Supervised Learning auch komplexere Geldwäschefälle erkannt werden. Damit das System diese erkennen kann, muss es anhand von bereits vorgekommenen Fällen lernen, wobei das gewünschte Prüferergebnis durch den historischen Fall bereits vorgegeben ist. Dahinter stecken auch hier Hypothesen und Regeln, auf denen die historischen Prüfergebnisse basieren. Diese Analyse eignet sich für eine große Menge an Daten, wenn zu den vorliegenden Daten bereits das gewünschte Ergebnis definiert werden kann. - Unsupervised Machine Learning:
Wie auch schon beim Supervised Learning muss das System hier mit historischen Daten trainiert werden. Der Vorteil bei diesem Verfahren liegt darin, dass das System neue Zusammenhänge finden und auch Vorhersagen treffen kann, auch ohne dass bei den historischen Daten bereits das gewünschte Prüfergebnis vorliegt. Auch diese Methode eignet sich für große Datenmengen, insbesondere wenn ohne vordefinierte Regeln oder Muster bestimmte Zusammenhänge maschinell ermittelt werden sollen.
Entscheidend beim Machine Learning ist die Datenqualität und -menge, daher kann der Umstieg auf eine solche Technologie nur sinnvoll umgesetzt werden, wenn diese Kriterien erfüllt sind. Egal für welche Lösung man sich entscheidet, die endgültige Kontrolle eines Verdachts führen die Mitarbeiter durch. Je treffsicherer jedoch das System die Verdachtsfälle findet, desto mehr Zeit kann in die Untersuchung dieser Fälle investiert werden.
Fazit: Geldwäscheprävention und -überwachung können durch technische Unterstützung deutlich effizienter durchgeführt werden. Nicht zuletzt kann hierdurch auch eine Verbesserung der Qualität erreicht werden. Welche Methode oder Technologie im Einzelfall geeignet ist, hängt von der konkreten Ausgangslage der Daten ab.
Weitere Infos: https://www.ppi.de/banken/compliance/regtech/
