Optimierung von Finanztransaktionen

Bestehende Prüfsysteme neu denken, um Potentiale zu schöpfen

Jede Bank hat mit Finanzbewegungen zu tun. Je nach Ausrichtung und Fokus der Bank schwankt die Anzahl stark. Bei diesen Finanzbewegungen ist das Controlling eine der zentralen Aufgaben. Diese Aufgabe muss in hoher Qualität und innerhalb einer kurzen Zeit durchgeführt werden. Nur so ist eine Einhaltung aller gesetzlichen Vorschriften sichergestellt.

Durch Geldwäsche oder Betrug entgehen den Banken jedes Jahr Milliardenbeträge. Zudem fallen empfindliche Strafen seitens der EU oder der BaFin an, falls solche Kontrollen nicht prozesskonform betrieben werden. Neben Aktionen und Vorgaben, zum Beispiel im Themengebiet Know-your-customer, gibt es auch weitere Aktionsfelder.

Ein Beispiel dafür ist die Embargoanalyse von Geldtransaktionen. Hierbei werden alle Finanzbewegungen überprüft. Dies erfolgt auf Basis von Embargo- und Sanktionslisten. Hierbei wird geprüft, ob die Finanztransaktionen in direktem Bezug stehen, um die Finanzierung und/oder Unterstützung beim Transfer von bestimmten Waren an Länder, Personen oder Organisationen durchzuführen.

Um dies sicherzustellen, werden in Banken bereits heute Systeme eingesetzt. Diese prüfen basierend auf Regeln und Vorgaben die Transaktionen und können so schnell entscheiden, welche problemfrei freigegeben werden können und welche manuell nachgeprüft werden müssen.

Über 6,4 Milliarden zu prüfende Transaktionen – hier muss Automatisierung unterstützen

Auf Grund von komplexen Vorgaben muss immer noch ein Teil der Finanzbewegungen mit hohem Aufwand manuell geprüft werden. In typischen Fällen ist die manuelle Kontrolle in circa zwei Prozent aller Fälle notwendig. Bei einem Volumen von 6,4 Milliarden Transaktionen pro Jahr (stetig steigend) bedeutet dies eine manuelle Kontrolle von 129 Millionen Transaktionen im Jahr. Bei einem gemittelten Zeitaufwand von 30 Sekunden pro Transaktion ergibt dies einen Zeitaufwand von über 200 Jahren.

Diese Herausforderung kann gemeistert werden und die Anzahl an manuell zu prüfenden Finanztransaktionen kann signifikant reduziert werden, indem moderne Verfahren der Künstlichen Intelligenz wie Machine-Learning-Algorithmen eingesetzt werden. Mit diesen Verfahren können Entitäten – beispielsweise Absender, Empfänger oder Verwendungszweck – erkannt werden, die wiederum gegen das Regelwerk (die Embargo- und Sanktionslisten) geprüft werden können.

adessos Ansatz stellt Erfolge in kürzester Zeit sicher

adesso stellt eine Plattform zur Verfügung, um dieses Vorgehen zu industrialisieren und auf einem etablierten, bei unseren Kunden im Einsatz befindlichen Vorgehen aufzubauen. Diese Plattform stellt Microservices zur Verfügung, die an jedes Zahlungsformat und die individuellen Anforderungen der Banken angepasst und dadurch auch kontinuierlich weiterentwickelt (trainiert) werden können.

Um die Besonderheiten eines jeden Zahlungsformates perfekt zu bedienen, wird für jedes Zahlungsformat ein getrenntes neuronales Netz aufgebaut. Ein neuronales Netz ist vereinfacht eine Verbindung von verschiedenen Knotenpunkten, um Daten zu verarbeiten und so eine hohe Erkennungsquote der einzelnen Entitäten sicherzustellen. Die individuelle Anpassung von Machine-Learning-Modellen nach Kundenwunsch ist Kundeneigentum und verbleibt als intellektuelles Wissen direkt bei der jeweiligen Bank.

Die durch dieses Vorgehen gewonnene Qualität und Geschwindigkeit in der Bearbeitung ist Ansätzen überlegen, die rein auf Regeln basieren. Zudem kann dieses Vorgehen auch in stark regulierten Umfeldern eingesetzt werden. Je nach Anforderungen und Gegebenheiten werden andere Implementierungs- und Projektansätze gewählt.

Generell basiert unser Vorgehen auf einem agilen Ansatz. In einem Minimum Viable Product (MVP), das in drei Monaten zur Verfügung gestellt wird, werden die Daten, die KI-Modelle, die Regeln und Vorgaben geprüft und in einem Zielkonzept umgesetzt. Anschließend wird das MVP in Produktion gegeben. Dabei steht die Transparenz sowie eine hohe Qualität und Sicherheit im Fokus und jede Aktion wird gemeinsam mit dem Kunden besprochen und abgestimmt.

Fazit

Zusammenfassend lässt sich festhalten, dass mit Ansätzen auf Basis von Machine-Learning-Algorithmen eine deutlich höhere Qualität erreicht, manueller Aufwand reduziert und somit schnell der Return on Invest (ROI) erreicht wird.

Ihr möchtet gern mehr über spannende Themen aus der adesso-Welt erfahren? Dann werft auch einen Blick in unsere bisher erschienenen Blog-Beiträge.

Weitere Blog-Beiträge rund um das Thema KI findet ihr hier