Автоматизация проверки банковских операций — новый тренд 2021 года

В то же время, преступники продолжают использовать банки и другие финансовые организации, чтобы прятать деньги, полученные незаконным путем. Именно автоматизация помогает снизить комплаенс-риски, ускорить проверку и минимизировать вероятность ошибки из-за человеческого фактора. Мы предполагаем, что интерес к подобным технологиям в 2021 году будет только возрастать.

Решений для автоматизации ПОД/ФТ, представленные на рынке, можно объединить в четыре группы по типу задач:

• идентификация клиентов;
• автоматизация процессов комплаенс;
• мониторинг транзакций;
• контроль валютных операций.

В горячую пятерку технологий, которые помогают автоматизировать ПОД/ФТ, на мой взгляд, входят:

• облачные технологии;
• непрерывный интеллект,
• графическая аналитика;
• машинное обучение;
• роботизация.

Облачные технологии

Сотрудники отдела финансового мониторинга должны взаимодействовать с большим количеством данных из разных источников, чтобы идентифицировать клиентов, проверять бенефициаров или выполнять другие требования ПОД/ФТ. Облачные технологии позволяют сводить большое количество нужных данных в одном месте и обогащать их. Это важно еще и потому, что продвинутые системы управления рисками постоянно учатся на этих данных, оттачивая свои интеллектуальные механизмы скоринга.

Непрерывный интеллект

Центральный банк налагает на финансовые организации обязательство по онлайн-контролю всех транзакций, значит, и решение по отнесению транзакции к сомнительной должно приниматься банком молниеносно. Непрерывный интеллект позволяет делать это за секунды. Он обращается к большому количеству накопленных по клиенту данных и анализирует прошлые события, размеры транзакций, получателей, назначения платежа. Непрерывный интеллект привязывает эти данные к актуальной анкете и риск-профилю клиента, проводя мгновенную аналитику.

Графическая аналитика

Графическая аналитика (Graph analytics) — это набор аналитических методов, которые позволяют исследовать отношения между интересующими объектами, такими как организации, люди и транзакции. Эта технология помогает выстраивать взаимосвязи между объектами, документами, юридическими и физическими лицами, отвечать на критические для ПОД/ФТ вопросы: «Могут ли эти два разных человека быть одним и тем же человеком?» или «Может ли компания А быть связана с компанией Б через другие компании?». Графическая аналитика — мощный инструмент определения бенефициарного владения и выстраивания связей в сложных организационных структурах связанных компаний. Автоматизированное решение предоставляет полную цепочку владения компании, взаимосвязи между организациями и отражает попадание связанных компаний в санкционные списки. Это значительно упрощает процесс соблюдения требований в части проверки бенефициаров.

Машинное обучение

Машинное обучение в первую очередь помогает отслеживать паттерны и использовать их в риск-скоринге. В традиционных сервисах правила скоринга заранее определены, а в сервисах, которые работают на основе машинного обучения, система, напротив, выстраивает свои собственные правила, основываясь на данных и паттернах, которые она сама обнаружила. Скоринговая модель, основанная на машинном обучении, учится напрямую из данных, которые через нее прогоняют.

Роботизация

Роботизированные решения заменяют ручной труд при проведении повторяющихся рутинных операций ПОД/ФТ. Они позволяют:

• создать анкету;
• скопировать/вставить идентификационные данные клиента;
• определить срок истечения паспортов;
• отправить запросы на обновление данных;
• запустить по графику актуализацию устаревших анкет клиентов.

Технологии искусственного интеллекта, развитая аналитика и работа с большими данными — ключевые факторы успеха для выстраивания ПОД/ФТ процессов с учетом отраслевых стандартов и ожиданий регулятора.