Transaction Monitoring Optimisation

Angesichts der zunehmenden und sich verändernden Regulierung und Richtlinien, des steigenden Transaktionsvolumens und der Identifizierung neuer Geldwäsche-Typologien hat KPMG Lösungen entwickelt, die sowohl auf die Systemoptimierung als auch auf die Überprüfungsprozesse der Treffer abzielen. Das Ziel ist eine Steigerung der Qualität der Leistung der Überwachungssysteme und eine schnellere, genauere und konsistentere Überprüfung von Treffermeldungen, die Finanzinstituten hilft, ihren Transaction-Monitoring-Verpflichtungen mit höherer Qualität und weniger Aufwand nachzukommen.

Die ständige Überprüfung und Optimierung von Transaction-Monitoring-Systemen kann dazu führen, dass geringere Mengen an qualitativ hochwertigeren Warnmeldungen produziert werden, die leichter überprüft werden können, sei es durch den Menschen oder die Verwendung des Transaction-Monitoring-Alert Classifier.

• Die automatisierte Optimierung basiert auf der Verwendung von maschinellem Lernen, um Tausende von was-wäre-wenn-Szenarien auszuführen, um den optimalen Zustand für die Kundensegmentierung, Szenarien, Regeln und Schwellenwerte zu bestimmen.
• Diese Empfehlungen können von erfahrenen Anwendern überprüft werden, um festzustellen, ob Anpassungen des Transaction-Monitoring-Systems entsprechend der Risikobereitschaft des Mandanten vorgenommen werden sollten.
• Das Tool zur automatisierten Optimierung kann auch zur Modellierung von Geschäftsänderungen verwendet werden, um Auswirkungen auf aktuelle Überwachungsszenarien zu ermitteln. Diese Erkenntnis ermöglicht fundierte Entscheidungen über Geschäftsveränderungen, Ressourcenbedarf und die Steuerung einer hohen Anzahl an Treffermeldungen.

Der Transaction-Monitoring-Alert Classifier automatisiert die Entscheidungsfindung bei der Trefferüberprüfung innerhalb der First-Line-of-Defense.

• Mit Hilfe fortschrittlicher Machine-Learning-Methoden automatisiert das Tool die Identifizierung von Warnungen, die wahrscheinlich eine genauere Untersuchung erfordern ( Automatische Eskalation von kritischen Meldungen), und von Warnungen, die nicht verdächtig sind (Automatischer Abschluss, sodass sich Analysten auf Aktivitäten mit hohem Risiko konzentrieren können.
• Jede Entscheidung zur Überprüfung von Warnungen hat ein Confidence-Security-Level und wird durch eine für den Menschen lesbare Entscheidungsgrundlage unterstützt. Mandanten können den Einsatz daher so anpassen, dass sie Deckungs- und Genauigkeitsraten vorgeben, die ihre Risikobereitschaft unterstützen.
• Der Einsatz von überwachtem Machine-Learning stellt sicher, dass die Entscheidungen transparent sind und von Wirtschaftsprüfern und Aufsichtsbehörden nachvollzogen und überprüft werden können.

Managementinformationen und Analytics liefern Einblicke in die Systemleistung, Datenqualität und zusätzliche Erkenntnisse, die für Kontrollen gegen Wirtschaftskriminalität von Bedeutung sein können. 

• Es können Softwarepakete entwickelt werden, die einen Einblick in die Zahlungsaktivitäten geben und Risikobereiche im Transaktionsverhalten aufzeigen.
• Visuell ansprechende, anpassbare Dashboards präsentieren Managementinformationen so, dass sie wichtige Erkenntnisse hervorheben und datenbasierte Entscheidungen ermöglichen.