Geldinstitute > Strategie

10.01.2018 von Subhasis Bandyopadhya, BFS und Ralf Reich, Mindtree

Intelligente Maschinen zur effektiven Transaktionsüberwachung

Wie jeder andere Teil der Geschäftswelt ist auch der Finanzsektor den Umwälzungen der Digitalen Transformation ausgesetzt. Neben den Chancen und Möglichkeiten, die es im Zuge dieser Entwicklung zu erschließen gilt, entstehen komplexe Herausforderungen und eine größere Anzahl neuer und vor allem strenger Regularien, die Banken beachten müssen und daher auf effektive Kontrollmechanismen angewiesen sind. Subhasis Bandyopadhya, Head of BFS, und Ralf Reich, Head of Continental Europe bei Mindtree, erklären, wie Finanzinstitute mit Hilfe intelligenter Maschinen die Kontrolle behalten.

Schlankere Prozesse, moderne Apps und Tools sowie eine angenehme Customer Experience durch Banking-Angebote für das Smartphone – der Finanzsektor profitiert ungemein von den Annehmlichkeiten, die die digitale Transformation mit sich bringt. Die wachsenden Datenmengen erlauben ein genaues Kundenbild und daraus resultierende personalisierte Angebote. Doch wie so oft ist nicht alles Gold, was glänzt, denn die selben Datenmengen stellen in gleichem Maße eine Herausforderung dar, wenn es darum geht, Gesetze zu Transaktionen im Auge zu behalten. Die Boston Consulting Group zeigte auf, dass seit 2011 die Anzahl der weltweiten Vorschriften für Banken um das Dreifache gestiegen ist. Mittlerweile liegt die durchschnittliche Anzahl der täglichen Prüfungen auf Regelkonformität, die Finanzinstitute leisten müssen, bei 200 Stück.

Es gilt, diese Überprüfung gewissenhaft durchzuführen, denn die Geldstrafen sind enorm. 321 Milliarden US-Dollar an Strafzahlungen mussten Bankinstitute seit 2008 an Aufsichtsbehörden leisten. Rekordhalter ist die Deutsche Bank, die nicht in der Lage war, Geldwäschen im Wert von zehn Milliarden Euro nach Russland zu unterbinden und daher 590 Millionen Euro Strafe zahlen musste.

Herkömmliche Analysen geraten an ihre Grenzen


Das Problem der Banken bei der Transaktionskontrolle liegt nicht allein an den wachsenden Datenmengen, schließlich übernehmen Monitoring-Systeme einen Großteil der zu erledigenden Arbeit. Allerdings erschweren die dezentralisiert gelagerten Transaktionssysteme deren Integration, da sie nicht übergreifend implementiert werden können. Dies führt zu langwierigen Prozessen und umständlichen Kontrollschleifen, die Zeit kosten und ein hohes Frustrations- und Fehlerpotenzial bieten.

Des Weiteren steht die Komplexität der Transaktionsdaten, deren Informationen heute wesentlich umfangreicher sind als früher, den traditionellen Monitoring-Systemen im Weg. Angesichts der Fülle an möglichen Parametern ist es schwierig, Schwellenwerte festzulegen, die eine zuverlässige Meldung von Verstößen erlauben. Setzt man diese zu hoch an, sehen sich Mitarbeiter zwar einer geringen Alarmquote gegenüber, riskieren aber gleichzeitig, dass nicht alle verdächtigen Aktivitäten bemerkt werden. Bei zu niedrigen Schwellenwerten schlägt das System hingegen so oft an, dass eine gewissenhafte Überprüfung der Warnungen nicht zeitnah erfolgen kann. Als wäre das nicht genug, sind diese Legacy-Systeme mit der Qualität der komplexen Datenmengen überfordert und die Anzahl der false positives erfordert weiteren Aufwand der Kontroll-Teams.

Effektive Kontrolle mit intelligenten Maschinen


Die Probleme, die sich aus der Kombination komplexer Datenmengen und versprengt organisierten Legacy-Systemen ergeben, sind nicht ausschließlich auf den Finanzsektor beschränkt. Auch andere Bereiche kämpfen mit der Umstellung auf dynamischere Systeme und effektiven Verarbeitung großer Datenmengen. Machine Learning und Künstliche Intelligenz sind hier die Mittel, die am häufigsten als Lösungen zum Einsatz kommen. Institute erhalten Zugriff auf Plattformen, die diese Technologien nutzen und können die quantitativen und repetitiven Aufgaben abtreten. Diese Plattformen erledigen die Aufgaben nicht nur effizienter und schneller als Menschen, sondern nutzen die großen Datenmengen, um Muster zu erkennen und darauf basierend die richtigen Schlüsse zu ziehen. Nutzeranalysen und neue Datenpunkte helfen dabei, Transaktionen zu erkennen, die gegen geltende Richtlinien verstoßen könnten.

So sind sie beispielsweise in der Lage, ungewöhnliche Abweichungen bei Transaktionen zu identifizieren, deren Wert oder Umfang von vorherigen Abläufen abweicht. Ein weiterer Vorteil gegenüber menschlich organisierter Kontrollen ist, dass diese Analyse automatisch historische Daten mit einbezieht und somit in Echtzeit erfolgt, was die Reaktionszeit erheblich verkürzt. Die gleichen Vorteile dieser Analysen verdächtiger Geldströme helfen bei der Suche nach Aktivitäten bekannter terroristischer Organisationen oder politisch auffälliger Einzelpersonen.

Aber auch neben dem Sicherheitsaspekt profitieren Institute von diesen neuen Technologien. Die umfangreichen Kundenprofile können ebenso im Kreditrisikomanagement zum Tragen kommen, wo die Tilgungshistorie schneller Aufschluss über mögliche Kreditvergaben bereitstellt. Ebenso hat der Kundenservice die Chance, leichter personalisierte Angebote für Kunden zu erstellen. Durch iterative Prozesse verbessern sich die Möglichkeiten immer weiter, je mehr Daten der Kunden vorliegen.

Fazit: Modernisierung ist ein Muss


Die Digitalisierung wartet auf niemanden und auch etablierte Finanzinstitute müssen die Zukunft im Blick haben, um gegenüber der Fintech-Konkurrenz nicht ins Hintertreffen zu geraten. Neue Technologien sind dabei nicht nur ein „nice to have“, sondern unabdingbar, um der wachsenden Datenmenge Herr zu werden. Andernfalls werden die starren Altsysteme nicht nur zur Innovationsbremse: Künstliche Intelligenz und Machine Learning sind die idealen Assistenten, wenn es darum geht, große Datenmengen zu verarbeiten und die Mitarbeiter bei der Bewältigung repetitiver Arbeiten zu entlasten. In Zeiten des Fachkräftemangels ein nicht zu unterschätzender Vorteil.