Intelligent Workflows in Banking: Geldwäsche und Betrugsbekämpfung

Veröffentliche eine Notiz:

Das Potenzial, durch innovative Technologien, wie Künstliche Intelligenz (KI), Big Data Analytics und Robotics Process Automation, Arbeitsabläufe im Bankenbereich verändern zu können, ist allseits bekannt. Die entscheidende Frage ist, wie dieses Potenzial innerhalb des eigenen Unternehmens umgesetzt werden kann. Hierbei sehen wir zwei entscheidende Ansätze:

1. Der Einsatz innovativer Technologien sollte immer im engen Zusammenspiel mit ausreichend internen und externen Daten sowie menschlicher Prozessexpertise geschehen.
2. Die Zielsetzung sollte es nicht sein, einzelne Prozessschritte isoliert zu optimieren, sondern ganzheitliche Arbeitsabläufe (End-to-End) zu betrachten und auf Basis dieser Betrachtung innovative Technologien in die einzelnen Schritte einzubetten.

Gelingt es diese Ansätze umzusetzen, profitiert die gesamte Organisation. Dieses Konzept fassen wir von IBM unter dem Begriff Intelligent Workflows zusammen. Die durch Intelligent Workflows generierten Mehrwerte reichen von einem verbesserten Kundenerlebnis über schlankere Betriebsabläufe bis hin zu einer optimierten Prozessqualität und Kostenstruktur. Ziel unserer neuen Blog-Reihe ist es, die generelle Idee der Intelligent Workflows anhand konkreter Anwendungsfälle aus dem Financial Services Sektor zu veranschaulichen. In Part I beschäftigen wir uns mit bestehenden Möglichkeiten zur intelligenten Neugestaltung der Prüfung auf Geldwäsche und Finanzkriminalität:

Intelligente Automatisierung der Geldwäsche- & Betrugsbekämpfung für Banken

Der Kampf gegen Geldwäsche und Finanzkriminalität ist ein entscheidender Bestandteil des operativen Alltags von Finanzinstituten. Zum einen geht es hierbei darum, den stetig steigenden Anforderungen der Regulatoren zu entsprechen, um empfindliche Strafzahlungen zu vermeiden. Zum anderen haben Banken ein hohes Eigeninteresse daran, Betrugsfälle frühzeitig zu erkennen, um daraus resultierende finanzielle Schäden und Reputationsrisiken zu vermeiden.  Mit der voranschreitenden Digitalisierung von Geschäftsprozessen und dem steigenden Volumen von Transaktionen wird die Erkennung von Betrugsfällen immer komplexer. Erfahrungen haben gezeigt, dass bei der Prüfung von Transaktionen und Geschäftspartnern (Due Dilligence) für Banken unter anderem folgende Probleme bestehen:

• Hohe manuelle Aufwände bei monotonen Recherche- und Eingabeprozessen
• Hohe manuelle Aufwände bei der Überarbeitung von fälschlich als Betrug gekennzeichneten Transaktionen („False Positives“)
• Mangelnde Transparenz und Nachvollziehbarkeit bei der Bearbeitung von potenziellen Betrugsfällen

Ein Lösungsansatz für dieses Problem ist die Neugestaltung der Due Dilligence unter Einbindung innovativer Ansätze wie Künstlicher Intelligenz (KI) und Big Data Analytics. Im Folgenden werden drei konkrete Anwendungsbeispiele dieser Technologien aufgezeigt:

1. Anwendungsfall: Sammeln relevanter Daten

Für die umfassende Prüfung eines Geschäftspartners bei Finanzmarkt-Transaktionen sind, neben den bereits in internen Systemen vorhandenen Daten, auch externe Daten z.B. aus Sanktionslisten, Unternehmensverzeichnissen und Suchmaschinenergebnissen relevant. Unsere Beobachtungen zeigen, dass das Sammeln und Strukturieren dieser Daten oft noch zu großen Teilen manuell von Analysten durchgeführt wird. Künstliche Intelligenz ist heutzutage nicht nur in der Lage eigenständig Daten aus verschiedensten Quellen zu aggregieren und basierend auf Relevanz und Quelle des Inhalts zu strukturieren, sondern auch eine erste tiefere Analyse der Inhalte auf Basis von Natural Language Processing (NLP) vorzunehmen. Neben einer strukturierten Liste relevanter Inhalte wird dem Analysten hierdurch auch eine erste Einschätzung des generellen Sentiments der gefundenen Inhalte präsentiert. Durch die gezielte Einbindung von KI beginnt der Prozess für Analysten somit nicht mehr mit der zeit- und daher kostenaufwändigen Datensuche, sondern mit wertschöpfender Detailanalyse und Auswertung. Das Beispiel einer führenden US-Bank bestätigt das enorme Einsparungspotenzial der automatisierten Recherche in der Praxis. Der Bank gelang es, durch die intelligente Automatisierung eines Großteils des manuellen Such- und Dateneingabeprozesses die Zeit für den Prüfungsprozess um 60% zu reduzieren.

2. Anwendungsfall: Verbesserte Risikoeinschätzung

Neben der Beschleunigung der Datenstrukturierung kann der Einsatz von KI ebenfalls dabei helfen, die hohe Rate an fälschlich als auffällig gekennzeichneten Transaktionen zu reduzieren. Diese stellen derzeit ein großes Problem für viele Banken dar. Erfahrungen zeigen, dass die False Positive Rate vieler Institute bei weit über 90% liegt. Diese im nächsten Schritt von letztendlichen Betrugsfällen zu trennen, erfordert derzeit noch einen hohen manuellen Aufwand und ist daher äußerst kostspielig.  Ein konkreter Ansatzpunkt zur Lösung dieses Problems ist die Verwendung des KI-basierten Unsupervised Learning. Der KI werden hierbei ohne weitere Vorgaben vergangene Fälle von auffälligen Transaktionen gezeigt – sowohl False Positives als auch tatsächliche Betrugsfälle. Das System sucht dann eigenständig nach Merkmalen, die besonders häufig entweder bei False Positives oder bei tatsächlichen Betrugsfällen vorkommen. Identifiziert die KI eine Gruppe von Transaktionen, die ähnliche Merkmale aufweisen, mit sehr hoher Wahrscheinlichkeit jedoch kein Betrugsfall sind, können entsprechende Anpassungen in den Kontrollsystemen vorgenommen werden, um diese Transkationen zukünftig nicht mehr zu melden und so die hohe Rate von False Positives schrittweise zu reduzieren. Darüber hinaus können die weiterhin als auffällig gekennzeichneten Transaktionen nach der KI-Analyse besser für die Verarbeitung von menschlichen Analysten priorisiert werden. Je höher die Wahrscheinlichkeit, dass es sich um einen tatsächlichen Betrugsfall handelt, desto eher sollte der Fall manuell bearbeitet werden.

Während der im vorherigen Absatz beschriebene Ansatz eine Verbesserung im Rahmen der Untersuchung einzelner Transaktionen vorsieht, sollte es auf lange Sicht jedoch das Ziel von Finanzinstituten sein, den Hauptfokus bei Betrugskontrollen nicht auf die Analyse einzelner Transaktionen, sondern auf eine tiefergreifende Kenntnis  der jeweiligen Handelspartner zu setzen. Eine Möglichkeit ist die Konsolidierung und Strukturierung von Kundendaten aus verschiedensten Quellen wie z.B. Datenbanken aus anderen Geschäftsbereichen. Banken, die diesen Ansatz mit zur Verfügung stehenden Big Data & Analytics Tools verfolgen, konnten schnell neue Erkenntnisse über Abhängigkeiten und Verhaltensweise einzelner Kunden bzw. Kundengruppen gewinnen. Wichtig wird es ebenfalls sein, weg von einer statischen Bewertung an einem bestimmten Zeitpunkt, hin zu einer automatisiert ablaufenden kontinuierlichen Bewertung von Geschäftspartnern zu kommen. So lassen sich auffällige Verhaltensweisen, die möglicherweise auf kriminelle Tätigkeiten hinweisen schneller erkennen. Mit der gezielten Anwendung von KI zur Analyse bisheriger Risikoeinstufungen und einem stärkeren Fokus auf die Strukturen und Verhaltensweisen ihrer Geschäftspartner, gelang es einer Bank aus Großbritannien nicht nur die interne False Positive Rate um 70% zu reduzieren, sondern auch 50% mehr tatsächliche Betrugsfälle aufzudecken.

3. Anwendungsfall: Erhöhte Nachvollziehbarkeit und Transparenz

Da Prüfungen gegen Geldwäsche und Finanzkriminalität regelmäßigen regulatorischen Audits unterliegen, ist es für Finanzinstitute essentiell, jegliche Prüfungsprozesse transparent aufzeigen und Entscheidungen nachvollziehbar darstellen zu können. In der Vergangenheit haben wir zwei konkrete Möglichkeiten beobachtet, wie Finanzinstitute auch bei diesem Prozess-Schritt Mehrwert durch eine intelligente Automatisierung generieren können: Zum einen kann bei maschinell abgewickelten Prozessen leichter sichergestellt werden, dass alle für die Entscheidung relevanten Informationen dokumentiert und archiviert werden. Diese sind somit für Audits verfügbar, die meistens erst Wochen oder Monate später geschehen. Über die automatisierte Archivierung hinaus ist es Banken durch den Einsatz von KI-Komponenten und speziell durch den Ansatz des Natural Language Processing gelungen, aus der Vielzahl der archivierten Dokumente ein erstes vollautomatisch erstelltes Dossier zu generieren, das eine übersichtliche Zusammenfassung der prüfungsrelevanten Daten bietet.

Generell kann durch eine intelligente Automatisierung von Prüfungsprozessen sichergestellt werden, dass Entscheidungen einheitlich nach vordefinierten Kriterien getroffen werden. In der Vergangenheit ließ sich beobachten, dass ein hoher Anteil manueller Bearbeitungsschritte bei der Geldwäscheprüfung dafür gesorgt hat, dass Entscheidungen für außenstehende Mitarbeiter und externe Regulatoren später schwerer nachvollziehen sind. Auch in Bezug auf die erhöhte Transparenz und Nachvollziehbarkeit von Geldwäsche- und Finanzkriminalitätsprüfungen haben Banken in der Vergangenheit messbare Erfolge durch den gezielten Einsatz von KI zu erzielt. Beispielsweise gibt eine der Top 20 US Banken an, dass die Notwendigkeit, Untersuchungsschritte zurückverfolgen zu müssen, um 50% reduziert werden konnte, seitdem umfassende Prüfungsinformationen im Rahmen eines automatisch erstellten Untersuchungsdossier dokumentiert werden.

Fazit

Abschließend ist festzuhalten, dass durch die Nutzung innovativer Technologien Geschäftsprozesse immer intelligenter automatisiert werden können.  Hiermit soll sichergestellt werden, dass Mitarbeiter weniger Zeit für monotone Recherche- und Dokumentationsaufgaben aufwenden müssen und sich somit vermehrt wertsteigernden Tätigkeiten, wie der Analyse und strategischen Planung, widmen können. Das letztendliche Ziel ist es, wie in den beschriebenen Anwendungsbeispielen bei der Geldwäscheprüfung beschrieben, Kosten- und Zeitreduzierung voranzutreiben. Dies gilt insbesondere für die Bereiche Compliance und Risiko-Management, da diese große Kostenblöcke ohne direktes Umsatzpotenzial darstellen.

Die Grundlage für die erfolgreiche Anwendung innovativer Technologien wie KI und Big Data Analytics ist die effizientere Nutzung interner und externer Daten. Hierfür besteht bei vielen Finanzinstituten noch Handlungsbedarf mit Blick auf die interne IT-Landschaft und den Datenhaushalt. Mit hilfreichen Erkenntnissen aus Vorreiter-Industrien, erkennen nun vermehrt auch Banken das Potenzial ihrer verfügbaren Daten und beginnen ihre IT-Architektur und Data Governance Konzepte zu transformieren. Je besser dies gelingt, desto erfolgreicher können Prozesse, wie z.B. die Geldwäscheprüfung, auf Basis effizienteren Nutzung abteilungsübergreifender Datenquellen und der Einbindung von KI und Big Data Analytics automatisiert und optimiert werden.

Autor