De accelererade volymerna av digitala transaktioner och förändrat kundbeteende efter pandemin har satt finanssektorn under press för att öka fokus på risk och efterlevnad. Dessutom har framväxande risker förvärrat frågor om efterlevnad av penningtvättslagar (AML). När brottslingarna använder mer unika sätt att tvätta pengar måste ansträngningarna för att bekämpa penningtvätt ökas. Och på grund av ofta förändrade regleringsförväntningar tycker banker att det är utmanande att hålla sina AML-efterlevnadsprogram effektiva så att de skyddar mot dessa alltmer komplexa penningtvättsaktiviteter. I en forskning utförd av Fenergo åsamkades finansinstitut böter på totalt 10,4 miljarder dollar 20201 för dataintrång och efterlevnadsfel relaterade till AML, känn-din-kund (KYC) och marknader i MiFID-överträdelser (Financial Instruments Directive). Finansinstitutens nuvarande strategi, trots att den är omfattande och dyr, är inriktad på regelefterlevnad och inte på att identifiera och fånga upp ekonomisk brottslighet. Som ett resultat tvingas finansiella organisationer betala stora böter.
Enligt Deloitte2 tvättas så mycket som två till fem procent av den globala BNP, eller 2 biljoner dollar, årligen. Myndigheterna lyckas hejda mindre än en procent av det tvättade beloppet, vilket pekar på en koppling mellan finansinstitut (facilitatorer av sådana finansiella transaktioner) och tillsynsmyndigheter (som arbetar baserat på underrättelser som samlats in från olika organ, inklusive banker och finansinstitut) för att upptäcka och fånga upp ekonomisk brottslighet.
På senare tid har finansinstitut, brottsbekämpande organ och tillsynsmyndigheter försökt utveckla mekanismer på global, regional och lokal nivå. Detta tillvägagångssätt erbjuder bättre samarbete och utbyte av finansiell information. Genom att göra det kan vi också upptäcka och fånga upp ett ekonomiskt brott tidigt och intelligent - redan innan det sprider sig inom systemet. Samarbetsdelning av penningtvätt/finansiering av terrorism) (ML/TF) information och fall (COSMIC) initiativ från Monetary Authority of Singapore (MAS) är ett exempel. COSMIC gör det möjligt för finansinstitut att fråga och varna varandra om potentiellt olagligt beteende och tillåta MAS, brottsbekämpande organ och finansinstitut att agera tidigt för att störa kriminella nätverk.
Robusta IT-system (IT) har alltid varit avgörande för AML-efterlevnad. Även bankerna har ökat sina investeringar i automatiserade system för transaktionsövervakning och sanktionskontroll genom åren. Dessa investeringar kan dock inte ha gett önskat resultat. Under hela "end-to-end" transaktionsresan får många olika manuella processer, funktioner, datakällor och applikationer betydelse. Denna komplexitet, som är oflexibel, skapar utmaningar för organisationer som resulterar i förseningar, fel och dålig kundupplevelse. Därmed leder den till dålig efterlevnad, ökade kostnader, förlust av trovärdighet och dålig kundupplevelse
I flera forskningsdokument är de tre viktigaste smärtpunkterna som finansbranschen för närvarande står inför i KYC/AML-området:
Ur ett efterlevnadsperspektiv saknar ofta banker och organisationer för finansiella tjänster synlighet, kontroller och styrning. Därför har dessa institutioner begränsad hörbarhet när det gäller AML- och KYC-skyldigheter. Den främsta anledningen till denna begränsning är oförmågan att konsolidera alla olika uppgifter som krävs för KYC, AML, riskbedömningar av bedrägeri och ekonomisk brottslighet. Man kan inte förneka att konsolidering av olika data är komplex och tråkig eftersom det kräver flera interaktioner med spridda datakällor. Även i dagens digitalt drivna ekonomi är många finansinstitut och interna data eller tredjepartsdata spridda över siloade system som kräver manuell intervention. Den dåliga hanteringen av sådana data leder ofta till inkonsekvenser, fel och missade steg.
Effektiviteten hos alla AML-transaktionsövervakningsverktyg beror på kvaliteten på data som matas in i verktyget. Tyvärr står bankerna inför två stora utmaningar på den fronten. Den första är att mata in data i ett olämpligt format i transaktionsövervakningssystemet som inte uppfyller AML/KYC-kraven. Den andra frågan uppstår när data kommer från flera system. När uppgifterna färdas genom en intern process leder det till möjliga förändringar i datasammansättningen när den når transaktionsövervakningssystemet. Bortsett från data är många finansinstitut inte nöjda med effekten av de fuzzy logiska algoritmer som implementeras av några av transaktionsövervakningssystemen. Det resulterar i många falska positiva effekter, vilket leder till kostnader och operativa omkostnader.
Riskbedömningens manuella karaktär är sammanvävd och en del av alla andra smärtpunkter som anges ovan. Ingen av organisationerna har implementerat någon grad av automatisering, vilket är en stor utmaning för finansinstitut i detta utrymme. Allt från horisontsskanning till att dokumentera relevanta hot, risker och kontroller till att arbeta med riskberäkningar och presentera relevanta resultat görs manuellt. Finansiella tjänsteföretag vet nu att de bemanningsnivåer som krävs för att utvärdera och betjäna en detekteringsgrad av falska positiva på över 90% är ohållbara. Först nyligen har AI och maskininlärning (ML) använts inom bankerna för att upptäcka ekonomisk brottslighet, vilket leder till färre falska positiva effekter. Även när detekteringssystem förbättras och producerar färre falska positiva är en del av utredningsprocessen fortfarande till största delen manuell. Men det är inte allt. Situationen förvärras, med tanke på effekterna av olika detekteringssystem med olika nivåer av automatisering inom ärendehanteringsarbetsflödena. Detta leder till inkonsekvent användarupplevelse för anställda som ansvarar för dessa resultat.
Dessa utmaningar tynger inte bara finansinstitut när det gäller de högre kostnaderna för verksamheten, bristande efterlevnad, låg moral hos anställda och ineffektiv bedömning samt upptäckt av ekonomisk brottslighet; men också när det gäller regleringsböter, förlust av rykte, locka talang och investeringar i framtida initiativ. Så frågan kvarstår, hur kan bankerna bekämpa dessa ekonomiska brott?
Under de senaste åren har finansinstitut investerat kraftigt i förbättrade transaktionsövervakningssystem genom att dra nytta av kapacitet från fintech som är specialiserade på AI och ML. Finansinstitut använder den bästa metoden som förenar investeringar i äldre system med nyare, AI-baserad teknik. Bankerna kan dock gå ett steg längre och förbättra noggrannheten och kostnadseffektiviteten i utredningsprocessen. De kan uppnå detta genom att utnyttja detekteringsutgången från flera transaktionsövervakningssystem och kombinera det med ett enhetligt arbetsflöde och ärendehanteringssystem som är specifikt utformat och byggt för att tillgodose behoven i utredningsprocessen för ekonomisk brottslighet.
Virtusa har utformat och byggt ett ramverk med låg kod för utredning av ekonomisk brottslighet. Plattformar med låg kod gör det möjligt för organisationer att påskynda leverans och implementering av applikationer och anpassa sig samt utvecklas för att möta förändrade affärsbehov. Dessutom, i och med att de visuella processerna som används för att bygga applikationer med låg kod fungerar som ett vanligt språk, blir det möjligt för experter på affärsämnen och projektdistributionsexperter att samarbeta lättare. Prototyping och byggapplikationer kan göras mycket snabbare. Data kan automatiskt hämtas från flera system och i vilket format det än finns och föras in i plattformen så att användare och AI kan köra processer för att slutföra uppgifter.
Virtusas ramverk för utredning av ekonomisk brottslighet har flera fördelar för finansinstitut:
På Virtusa tillhandahåller vi en plattform med låg kod byggd uttryckligen för utredning av ekonomisk brottslighet. Vår plattform erbjuder ett värdefullt alternativ till specialbyggda applikationer och kommersiella mjukvarulösningar. På så sätt ger vi finansiella organisationer en plattform för att bygga applikationer med visuella processmodeller och dra-och-släpp-funktionalitet. Det påskyndar takten för att bygga applikationer eftersom ramverket kommer med olika applikationsbyggstenar redo att användas, såsom AI, robotprocessautomatisering (RPA), en reglermotor, ärendehantering, arbetsflöde och dataintegration. En annan viktig fördel är att finansiella organisationer inte behöver lägga all sin data i en ny patentskyddad datamodell. Uppgifterna kan hämtas i valfritt format i befintliga applikationer och tas in i plattformen så att användare och AI kan köra processer för att slutföra de uppgifter som krävs. Den integrerar ny teknik och innovativa lösningar, som AI, in i "end-to-end" AML- och KYC-processer. Virtusas ramverk kommer att hjälpa bankerna att minska kostnaderna för verksamheten genom att de kan automatisera sina komplexa och ömsesidigt beroende AML/KYC/Financial Crime utredningsprocesser och möjliggöra bättre efterlevnad och ökad beredskap för nya initiativ inom området ekonomisk brottslighet av tillsynsmyndigheter i framtiden.
Referens:
Emma Woollacott. ”Böter till banker för dataintrång och bristande efterlevnad mer än dubblerades 2020 | December 31, 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
Rapport om beredskap mot penningtvätt 2020 | https://www2.deloitte.com/content/dam/Deloitte/in/Documents/finance/Forensic/in-forensic-AML-Survey-report-2020-noexp.pdf
Prenumerera för att hålla dig uppdaterad med den senaste branschutvecklingen, inklusive branschinsikter och innovativa lösningsmöjligheter
Genom att omfamna utveckling av låg kod får organisationer betydande fördelar.