Finanzkriminalität im Bankwesen: Wie KI und Big Data helfen

Finanzinstitute haben es heutzutage schwer, denn die Compliance-Anforderungen sind beinahe schon unerfüllbar streng. Das Datenwachstum hat gegenwärtig exponentielle Ausmaße erreicht, sowohl was das Volumen als auch die Anzahl der Quellen betrifft. Außerdem nimmt die Finanzkriminalität jedes Jahr stetig zu und gilt mittlerweile als eine der größten systemischen Risiken in der Weltwirtschaft. Finanzunternehmen müssen daher effiziente Mittel finden, um solche Verbrechen wirksam zu bekämpfen.

Besonders belastet sind Finanzinstitute, die zur Erkennung verdächtiger Aktivitäten immer noch auf manuelle Prozesse setzen. Das Ziel ist, Geschäftsbeziehungen mit eventuell risikobehafteten Drittparteien zu vermeiden. Es stellt sich jedoch die Frage, wie man das anstellt. Immer mehr Banken nutzen mittlerweile hochentwickelte Analysetechnologien wie maschinelles Lernen und künstliche Intelligenz, um Prozesse zu automatisieren und Drittparteirisiken in den Griff zu bekommen.

Die Gesamtauswirkungen von Finanzkriminalität und Korruption sind erschreckend. So belaufen sich die veranschlagten Compliance-Kosten im Zusammenhang mit Finanzkriminalität für alle Finanzinstitute jährlich weltweit auf Hunderte Milliarden Dollar.

Der "Global Economic Crime and Fraud Survey" von PwC aus dem Jahr 2022 enthält einige ernüchternde statistische Daten zu den Auswirkungen von Finanzkriminalität.¹ Von den befragten Unternehmen berichteten:

• 46 %, dass sie während der letzten 24 Monate mit Betrug, Korruption oder anderen Wirtschaftsverbrechen konfrontiert waren;
• 18 % der größeren Unternehmen, die mit Betrug konfrontiert waren, dass sich die finanziellen Auswirkungen des schwerwiegendsten Betrugsfalls auf mindestens 50 Milliarden USD beliefen.

Sorgen rund um das Thema Finanzkriminalität spielen mittlerweile auch eine wichtige Rolle bei ESG-Kriterien, da die Gewinne aus solchen Verbrechen oft mit üblen Machenschaften wie Menschenhandel, Drogenschmuggel und Zwangsarbeit in Zusammenhang stehen. Auch für Staaten sind die Folgewirkungen gravierend; geringere Erträge von Unternehmen führen zu geringeren Steuereinnahmen, was Auswirkungen auf öffentliche Dienstleistungen wie Bildung und Gesundheitsversorgung hat.

Finanzinstitute, die in Geldwäsche oder andere Finanzverbrechen verwickelt sind, – auch wenn dies nur indirekt über eine Drittpartei geschieht, – sind mit ernsten Folgen wie Reputationsschäden, Strafzahlungen oder einer gerichtlichen Verfolgung konfrontiert. Man kann das Gefühl der Vergeblichkeit, das sich in Finanzinstituten in Bezug auf dieses Thema ausbreiten mag, gut nachvollziehen. Sie geben mehr denn je für die Bekämpfung von Finanzkriminalität aus, haben aber trotzdem Probleme, mit den Anforderungen Schritt zu halten.

Leider werden die Bösewichte immer besser in ihrem Metier. Es ist, wie Paresh Chiney in einem kürzlich erschienen Dataversity-Artikel sagte:

Die Wirtschaftskriminellen von heute sind intelligenter und technologieaffiner als früher, profitieren oftmals von komplexen und siloartigen Systemen und umgehen veraltete Überwachungslösungen, die von Unternehmen und Behörden im Zusammenhang mit Betrug und Compliance verwendet werden.²

Bekämpfung von Finanzkriminalität mit KI

Banken benötigen heute mehr denn je Hilfe beim Zurückdrängen von Finanzverbrechen sowie den dahintersteckenden Personen. Die mit ständigen Risikowarnungen konfrontierten Teams brauchen Tools, die veraltete manuelle Prozesse automatisieren. Mit Blick auf die Zukunft ist es für große Finanzinstitute an der Zeit, Nutzen aus hochentwickelten Daten- und Analysetechnologien wie künstlicher Intelligenz, maschinellem Lernen, der Verarbeitung natürlicher Sprache und kognitiver Automatisierung zu ziehen.

Darin liegt die Zukunft, was die Vermeidung, Erkennung und Untersuchung von Wirtschaftsverbrechen sowie diesbezügliche Wiedergutmachungsmaßnahmen betrifft.

Fortschrittliche Finanzinstitute nutzen das Potenzial von Big Data auf folgende Art und Weise:

1. Sie aggregieren Daten aus verschiedenen Quellen. Die Analyse einzelner Datensätze ist nützlich, das Verknüpfen vieler Datensätze aus unterschiedlichen Quellen bringt einen hinsichtlich des Erkennens von Trends und des Aufspürens von Zusammenhängen jedoch weiter.
2. Sie erweitern ihren Blick und binden auch unkonventionellere Datenquellen ein.
   Durch die Verbindung interner Datenquellen mit unkonventionellen externen Datenquellen, etwa negativen Nachrichtenmeldungen, können Fachleute Daten zueinander in Beziehung setzen und Schwachstellen bei der Untersuchung und Überwachung ausgleichen.
3. Sie setzen regelbasierte Tests ein, um Warnsignale zu finden. Durch die Erstellung eines Datenspeichers, der mehrere Quellen enthält, können Teams regelbasierte Tests durchführen, um Warnsignale oder Anomalien zu finden, die auf mögliches Fehlverhalten oder Compliance-Probleme hindeuten.
4. Sie richten Systeme zur Risikobewertung ein. Datenwissenschaftler können die Ergebnisse verschiedener datengestützter Tests destillieren, um einen zusammengesetzten Risikowert für eine Person oder ein Unternehmen zu ermitteln.
5. Sie decken Anomalien mittels prädiktiver Modellierung auf. Maschinelles Lernen und künstliche Intelligenz stehen hinter enormen Verbesserungen bei der Aufdeckung von Anomalien. Diese Verbesserungen gehen mit der erheblichen Zunahme der Quellen für zuverlässige Echtzeit-Daten einher.
6. Sie erstellen interaktive Visualisierungen, mit denen die Daten in überzeugenderer Weise präsentiert werden. Teams können mit dynamischen Visualisierungen die wichtigsten Aspekte großer Datensätze erläutern und etwa mittels geografischer Zuordnung und zeitbezogener Analysen Hochrisiko-Aktivitäten nachverfolgen oder sogar vorhersagen.

Der beste Weg zur Bekämpfung von Finanzkriminalität? Eine enge Zusammenarbeit zwischen Banken, Aufsichts- und Strafverfolgungsbehörden sowie eine kompromisslose Anwendung der neuesten Technologien. Ihre Bemühungen sind nur so gut wie die Ihnen zur Verfügung stehenden Daten. Stellen Sie also sicher, dass Sie die neueste KI-gestützte Technologie nutzen.

Nächste Schritte:

1. Holen Sie das Beste aus Big Data heraus und informieren sich über die Vorteile und Möglichkeiten von Nexis^® Data Integration.
2. Erfahren Sie mehr über Risikomanagement mit Big Data in unserem Whitepaper "Risiko-Revolution: So verändert Big Data das Risikomanagement".

Quellen:

¹ PwC’s Global Economic Crime and Fraud Survey 2022, pwc.com
² Using Big Data Analytics to Combat White-Collar Crime, dataversity.net, 10.02.2022