Wählen Sie intelligente Wege zur Bekämpfung von Finanzkriminalität mit einem Low-Code-Framework

Das beschleunigte Volumen digitaler Transaktionen und das veränderte Kundenverhalten nach der Pandemie haben die Finanzdienstleistungsbranche unter Druck gesetzt, sich stärker auf Risiken und Compliance zu konzentrieren.Darüber hinaus haben neu auftretende Risiken die Probleme bei der Einhaltung von Anti-Geldwäsche-Richtlinien (Anti-Money Laundering, AML) verschärft.Da Kriminelle immer ausgefallenere Wege zur Geldwäsche nutzen, müssen die Bemühungen zur Bekämpfung der Geldwäsche verstärkt werden.Aufgrund der sich häufig ändernden Erwartungen der Aufsichtsbehörden ist es für die Banken eine Herausforderung, ihre AML-Compliance-Programme effektiv zu halten und sich gegen diese zunehmend komplexen Geldwäscheaktivitäten zu schützen.Laut einer von Fenergo durchgeführten Untersuchung mussten Finanzinstitute im Jahr 2020 Geldbußen in Höhe von insgesamt 10,4 Milliarden Dollar¹ zahlen für Datenschutzverletzungen und Compliance-Verstöße im Zusammenhang mit AML, Know Your Customer (KYC) und MiFID (Markets in Financial Instruments Directive).Der derzeitige Ansatz der Finanzinstitute ist zwar umfangreich und teuer, konzentriert sich aber auf die Einhaltung von Vorschriften und nicht auf die Erkennung und Abwehr von Finanzkriminalität.Infolgedessen müssen Finanzinstitute hohe Bußgelder zahlen.

Laut Deloitte² werden jährlich zwei bis fünf Prozent des globalen BIP oder 2 Billionen US-Dollar gewaschen.Die Behörden fangen weniger als ein Prozent der gewaschenen Beträge ab, was auf eine Diskrepanz zwischen den Finanzinstituten (die solche Finanztransaktionen ermöglichen) und den Strafverfolgungsbehörden (die auf der Grundlage von Informationen arbeiten, die sie von verschiedenen Stellen, einschließlich Banken und Finanzinstituten, erhalten haben) hinweist, um Finanzkriminalität aufzudecken und abzufangen.

In der jüngsten Vergangenheit haben Finanzinstitute, Durchsetzungsbehörden und Regulierungsbehörden jedoch versucht, Mechanismen auf globaler, regionaler und lokaler Ebene zu entwickeln. Dieser Ansatz ermöglicht eine bessere Zusammenarbeit und den Austausch von Finanzinformationen. Auf diese Weise können wir auch ein Finanzverbrechen frühzeitig und intelligent aufdecken und abfangen – noch bevor es sich im System ausbreitet. Die COSMIC-Initiative (Collaborative Sharing of Money Laundering/Terror Financing Information and Cases) der Monetary Authority of Singapore (MAS) ist ein gutes Beispiel dafür. COSMIC wird es Finanzinstituten ermöglichen, sich gegenseitig über potenziell illegale Verhaltensweisen zu informieren und zu warnen. So können MAS, Strafverfolgungsbehörden und Finanzinstitute frühzeitig handeln, um kriminelle Netzwerke zu knacken.

Robuste Informationstechnologie (IT)-Systeme waren schon immer entscheidend für die Einhaltung der AML-Vorschriften. Auch die Banken haben ihre Investitionen in automatisierte Systeme zur Transaktionsüberwachung und Sanktionsprüfung im Laufe der Jahre erhöht. Diese Investitionen haben jedoch möglicherweise nicht das gewünschte Ergebnis erzielt. Während des gesamten Transaktionsprozesses kommen viele unterschiedliche manuelle Prozesse, Funktionen, Datenquellen und Anwendungen ins Spiel. Diese unflexible Komplexität stellt Organisationen vor Herausforderungen, die zu Verzögerungen, Fehlern und einem schlechten Kundenerlebnis führen. Dies wiederum führt zu mangelhafter Compliance, erhöhten Kosten, Verlust an Glaubwürdigkeit und einem schlechten Kundenerlebnis.

In mehreren Forschungsarbeiten sind die drei wichtigsten Schmerzpunkte, mit denen die Finanzbranche derzeit im Bereich KYC/AML konfrontiert ist:

• Datenqualität
• Wirksamkeit von Transaktionsüberwachungssystemen
• Manueller Charakter von Risikobewertungen

Datenqualität

Aus Compliance-Sicht fehlt es Banken und Finanzdienstleistern oft an Transparenz, Kontrollen und Governance. Infolgedessen sind diese Institute in Bezug auf AML- und KYC-Verpflichtungen nur begrenzt überprüfbar. Der Hauptgrund für diese Einschränkung ist die Unfähigkeit, all die unterschiedlichen Daten zu konsolidieren, die für die Risikobewertung von KYC, AML, Betrug und Finanzkriminalität erforderlich sind. Man kann nicht leugnen, dass die Konsolidierung unterschiedlicher Daten komplex und mühsam ist, da sie mehrere Interaktionen mit heterogenen Datenquellen erfordert. Selbst in der heutigen digitalisierten Wirtschaft sind viele Finanzinstitute und interne oder fremde Daten über isolierte Systeme hinweg verteilt, die manuelle Eingriffe erfordern. Die schlechte Verwaltung solcher Daten führt oft zu Unstimmigkeiten, Fehlern und verpassten Schritten.

Wirksamkeit von Transaktionsüberwachungssystemen

Die Wirksamkeit eines jeden Tools zur Überwachung von AML-Transaktionen hängt von der Qualität der Daten ab, die in das Tool eingespeist werden.Leider stehen die Banken an dieser Front vor zwei großen Herausforderungen.Die erste besteht darin, dass die Daten in einem ungeeigneten Format in das Transaktionsüberwachungssystem eingespeist werden, das die AML/KYC-Anforderungen nicht erfüllt.Das zweite Problem tritt auf, wenn Daten aus mehreren Systemen stammen. Da die Daten einen internen Prozess durchlaufen, kann es zu Änderungen in der Datenzusammensetzung kommen, wenn sie das Transaktionsüberwachungssystem erreichen.Abgesehen von den Daten sind viele Finanzinstitute nicht mit der Effizienz der Fuzzy-Logik-Algorithmen zufrieden, die von einigen der Transaktionsüberwachungssysteme implementiert werden.Dies führt zu vielen Fehlalarmen, die Kosten und operativen Aufwand verursachen.

Manueller Charakter von Risikobewertungen

Der manuelle Charakter der Risikobewertung ist mit allen anderen oben genannten Problemen verwoben und Teil davon. Keines der Unternehmen hat ein gewisses Maß an Automatisierung eingeführt, was eine große Herausforderung für Finanzinstitute in diesem Bereich darstellt. Alles, vom Horizon Scanning über die Dokumentation relevanter Bedrohungen, Risiken und Kontrollen bis hin zur Arbeit mit Risikokalkulationen und der Präsentation relevanter Ergebnisse, wird manuell erledigt. Finanzdienstleister wissen inzwischen, dass der Personalaufwand für die Sichtung und Bearbeitung von bis zu 90 Prozent plus Fehlalarmen nicht tragbar ist. Erst seit kurzem werden KI und maschinelles Lernen (ML) in den Banken zur Aufdeckung von Finanzkriminalität eingesetzt, was zu weniger Fehlalarmen führt. Auch wenn die Erkennungssysteme immer besser werden und weniger Fehlalarme produzieren, sind Teile des Ermittlungsprozesses immer noch weitgehend manuell. Aber das ist nicht alles. Die Situation verschlimmert sich noch, wenn man die Auswirkungen unterschiedlicher Erkennungssysteme mit unterschiedlichem Automatisierungsgrad in den Arbeitsabläufen des Fallmanagements berücksichtigt. Dies führt zu einer inkonsistenten Benutzererfahrung für die Mitarbeiter, die für diese Ergebnisse verantwortlich sind.

Diese Herausforderungen belasten die Finanzinstitute nicht nur in Form von höheren Betriebskosten, Nichteinhaltung von Vorschriften, schlechter Mitarbeitermoral und ineffektiver Bewertung und Aufdeckung von Finanzkriminalität, sondern auch in Form von Bußgeldern, Reputationsverlusten, der Gewinnung von Talenten und Investitionen in zukünftige Initiativen. Bleibt also die Frage: Wie können Banken diese Finanzkriminalität bekämpfen?

Ein Low-Code-Framework für Ermittlungen im Bereich Finanzkriminalität

In den letzten Jahren haben Finanzinstitute stark in verbesserte Transaktionsüberwachungssysteme investiert, indem sie sich die Fähigkeiten von Fintechs zunutze gemacht haben, die sich auf KI und ML spezialisiert haben.Finanzinstitute verwenden den Best-of-Breed-Ansatz, bei dem Investitionen in Altsysteme mit neueren, KI-basierten Technologien kombiniert werden.Die Banken können jedoch noch einen Schritt weiter gehen und die Genauigkeit und Kosteneffizienz des Ermittlungsverfahrens verbessern.Sie können dies erreichen, indem sie die Erkennungsergebnisse mehrerer Transaktionsüberwachungssysteme nutzen und sie mit einem einheitlichen Workflow- und Fallverwaltungssystem kombinieren, das speziell für die Anforderungen von Ermittlungsverfahren im Bereich der Finanzkriminalität konzipiert und entwickelt wurde.

Virtusa hat ein Low-Code-Framework für die Untersuchung von Finanzkriminalität entworfen und aufgebaut.Low-Code-Plattformen ermöglichen es Unternehmen, die Bereitstellung und Implementierung von Anwendungen zu beschleunigen, sich an die sich ändernden Geschäftsanforderungen anzupassen und diese weiterzuentwickeln.Darüber hinaus dienen die visuellen Prozesse, die zur Erstellung von Low-Code-Anwendungen verwendet werden, als gemeinsame Sprache, sodass Fachleute aus dem Unternehmen und Experten für die Projektumsetzung leichter zusammenarbeiten können.Die Entwicklung von Prototypen und die Erstellung von Anwendungen kann viel schneller erfolgen. Daten können automatisch aus verschiedenen Systemen und in jedem beliebigen Format in die Plattform eingespeist werden, sodass Benutzer und KI in der Lage sind, Prozesse zur Erfüllung von Aufgaben auszuführen.

Merkmale des Frameworks

• Low-Code-Plattform: Das Framework basiert auf einer Low-Code-Plattform, um die Lösung schnell zu entwerfen, zu entwickeln und zu testen.
• Konfigurierbare Workflows: Das Framework basiert auf einer bekannten BPM-Plattform (Business Process Management) mit konfigurierbaren Arbeitsabläufen zur Anpassung an sich ändernde geschäftliche Bedürfnisse und Anforderungen.
• Maßgeschneidert für Ermittlungen bei Finanzkriminalität: Das Framework wurde speziell für Ermittlungen im Bereich der Finanzkriminalität und für Fallmanagement-Workflows entwickelt.
• Eingebaute Verwaltungs- und Berichtsmodule : Das Framework verfügt über integrierte Verwaltungs- und Berichtsmodule für Benutzerfreundlichkeit und Rekonfigurierbarkeit.
• Integrationsfähigkeit: Das Framework baut auf einer bekannten BPM-Plattform auf Integrationsfähigkeit in mehrere Upstream- und Downstream-Systeme

Das Virtusa-Rahmenwerk zur Untersuchung von Finanzkriminalität hat mehrere Vorteile für Finanzinstitute:

• Automatisierter Prozess: Das Framework wird dazu beitragen, die bestehenden manuellen und fragmentierten Untersuchungsprozesse zu automatisieren, was zu geringeren Betriebskosten, höherer Produktivität und besseren Ergebnissen führt.
• Intelligente Weiterleitung und Nachverfolgung:Das Framework nutzt eine intelligente Weiterleitung und Nachverfolgung von Fällen, sodass Service Level Agreements (SLAs) nicht verletzt werden und notwendige Warnungen rechtzeitig generiert werden.
• Konsolidierung der Daten: Das Framework ermöglicht die Konsolidierung von Daten über mehrere Systeme hinweg während des Untersuchungsprozesses, sodass ein besserer Einblick in das Gesamtrisiko des Kunden möglich ist und sinnvolle Entscheidungen getroffen werden können.
• Unkomplizierte Integration: .Das Framework basiert auf Low-Code-Workflow-Technologien und kann mit mehreren zugrundeliegenden Systemen integriert werden, um einen bestimmten Transaktionsfluss durch den Lebenszyklus der Verarbeitung effektiv abzuschließen.
• Ausrichtung auf zukünftige Initiativen: Der Rahmen ist auf künftige Initiativen im Bereich der Finanzkriminalität wie COSMIC von MAS abgestimmt.

Wir bei Virtusa bieten eine Low-Code-Plattform, die speziell für die Untersuchung von Finanzkriminalität entwickelt wurde. Unsere Plattform bietet eine wertvolle Alternative zu maßgeschneiderten Anwendungen und kommerziellen Standard-Softwarelösungen. Damit erhalten Finanzunternehmen eine Plattform zur Erstellung von Anwendungen mit visuellen Prozessmodellen und Drag-and-Drop-Funktionen. Die Erstellung von Anwendungen wird beschleunigt, da das Framework verschiedene Anwendungsbausteine wie KI, robotergestützte Prozessautomatisierung (RPA), eine Regel-Engine, Fallmanagement, Workflow und Datenintegration bereitstellt. Ein weiterer entscheidender Vorteil ist, dass Finanzunternehmen nicht alle ihre Daten in ein neues proprietäres Datenmodell eingeben müssen. Die Daten können in beliebigen Formaten aus bestehenden Anwendungen bezogen und in die Plattform eingebracht werden, sodass Benutzer und KI Prozesse zur Durchführung der erforderlichen Aufgaben ausführen können. Es integriert neue Technologien und innovative Lösungen, wie KI, in die End-to-End-AML- und KYC-Prozesse. Das Virtusa-Framework wird den Banken helfen, ihre Betriebskosten zu senken, indem sie ihre komplexen und voneinander abhängigen AML/KYC/Financial Crime-Untersuchungsprozesse automatisieren und eine bessere Einhaltung der Vorschriften und eine bessere Vorbereitung auf neue Initiativen der Regulierungsbehörden im Bereich der Finanzkriminalität in der Zukunft ermöglichen.

Referenz:

Emma Woollacott.“Fines against banks for data breaches and non-compliance more than double in 2020 („Geldbußen gegen Banken wegen Datenschutzverletzungen und Nichteinhaltung von Vorschriften werden sich 2020 mehr als verdoppeln) | 31. Dezember 2020 | https://portswigger.net/daily-swig/fines-against-banks-for-data-breaches-and-noncompliance-more-than-doubled-in-2020#:~:text=Fines%20levied%20against%20financial%20firms,with%20penalties%20totalling%20%2410.4%20billion

Anti-Money Laundering Preparedness Survey Report 2020 (Bericht über die Bereitschaft zur Geldwäschebekämpfung 2020) | https://www2.deloitte.com/content/dam/Deloitte/in/Documents/finance/Forensic/in-forensic-AML-Survey-report-2020-noexp.pdf