Eine große Bank senkt die Betriebskosten für die Sanktionsprüfung um die Hälfte mit einer FTE-Reduzierung von über 40%, indem sie intelligente Automatisierung einsetzt

Eine wichtige globale Bank hat ein weltweites Team von mehr als 2.000 Mitarbeitern, die sich um die Überprüfung von Zahlungssanktionen kümmern. Das Expertenteam sah sich mit einer Falsch-Positiv-Rate von über 95% konfrontiert, wenn es Zahlungen auf sanktionierte Unternehmen überprüfte, und sah sich aufgrund des steigenden Zahlungsvolumens und der jährlich wachsenden Sanktionslisten auch mit erhöhten Betriebskosten konfrontiert. Die Bank wandte einen regelbasierten Ansatz zur Unterdrückung von Falschmeldungen an, aber der Ansatz war reaktiv und konnte nicht gut skaliert werden.

Für die Bank war es entscheidend, einen intelligenteren und proaktiveren Weg zu finden, um Fehlalarme zu unterdrücken und Alarme effizienter zu verwalten, ohne das Risiko zu erhöhen. Die Lösung musste regulatorische Bedenken berücksichtigen und erklärbare Modelle zur Reduzierung von Falsch-Positiven mit vollständiger automatisierter Nachvollziehbarkeit der Entscheidungen implementieren. Sie musste auch dynamisch mit neueren falsch-positiven Mustern umgehen, viel schneller arbeiten als ein menschlicher Anwender und skalierbar sein, um steigende Treffermengen zu bewältigen, ohne Kompromisse bei der Leistung einzugehen.

Virtusa automatisierte den Sanktionsprüfungs-Workflow, indem das Unternehmen Deep-Learning-basierte Techniken der künstlichen Intelligenz nutzte und eine dynamische, skalierbare und konforme Machine-Learning-Lösung schuf, um falsch-positive Ergebnisse bei der Sanktionsprüfung zu erkennen und zu verarbeiten.