Banken: Mit Machine Learning im Einsatz gegen Geldwäsche
29.04.2020

Banken stehen im Kampf gegen Geldwäsche an vorderster Front. Den Compliance-Abteilungen der Finanzinstitute obliegt es, die europäischen Richtlinien zur Geldwäschebekämpfung zu erfüllen. Die Geldhäuser versuchen den Tätern auf die Spur zu kommen, indem sie die am weitesten verbreiteten Vehikel zur Geldwäsche, sogenannte Briefkastenfirmen, enttarnen und aus ihren Kundenbeständen entfernen. Mit herkömmlichen Compliance-Tools stoßen die Institute dabei jedoch schnell an ihre Grenzen.

Briefkastenfirmen (engl. Shell Companies) sind die Klassiker, um Schwarzgeld reinzuwaschen. Es handelt sich um Unternehmen, die meist nur auf dem Papier existieren und in Steuerparadiesen, wie den Cayman Islands oder den Jungferninseln, sitzen. Für kriminelle Organisationen sind sie ein sicherer Weg, anonym zu bleiben und kriminelle Transaktionen zu verschleiern, indem sie legale Zwecke für rechtswidrig erworbene Geldmittel vortäuschen.
Laut Schätzungen des Büros der Vereinten Nationen für Drogen- und Verbrechensbekämpfung (UNODC) werden weltweit pro Jahr zwischen 800 Mrd. und 2 Bio. US-Dollar gewaschen. Dies entspricht einem Anteil von 2 bis 5 Prozent des weltweit erwirtschafteten Bruttoinlandsprodukts. Allein in Deutschland ist von einem Schaden in Höhe von 100 Mrd. Euro die Rede.

Grobe Rückschlüsse auf die Legalität

Banken sind die Speerspitze, wenn es darum geht, die Strukturen hinter Briefkastenfirmen trocken zu legen. Lange konnte man anhand von Indizien, wie der Höhe und Frequenz ein- und ausgehender Geldbeträge, einer auffallend geringen Mitarbeiterzahl und dem Sitz der Firma grobe Rückschlüsse auf die Legalität ziehen. Heute ist es für Banken deutlich schwieriger geworden, Briefkastenfirmen zu identifizieren und Schlupflöcher zu schließen, die kriminelle Organisationen zur Geldwäsche nutzen.

Mit der Digitalisierung hat die Komplexität von Geldwäschefällen zugenommen. Banken müssen hier in der Lage sein, die Spreu vom Weizen zu trennen: Welches Unternehmen bewegt sich noch im legalen Rahmen und wer macht sich tatsächlich strafbar? Denn nicht jede Steueroptimierung ist illegal und nicht jede Tochtergesellschaft in einem Steuerparadies verboten. Erschwerend kommt hinzu, dass geldwäscherelevante Unternehmensdaten überwiegend auf Einzelländerebene gesammelt werden. Zwischenstaatliche Kooperationslösungen sind noch nicht weit genug entwickelt, um potenzielle Briefkastenfirmen flächendeckend zu erkennen.

Daten erheben, kategorisieren und analysieren ist daher die beste Chance für Banken. Doch dafür fehlen in vielen Instituten noch die richtigen Prozesse. Damit Banken alle regulatorischen Richtlinien einhalten und die Compliance-Vorgaben erfüllen können, wird der Einsatz von unterstützender Technologie immer wichtiger.

Datenanalyse als Aufklärungsbeschleuniger

Die Lösung lautet Data Analytics und Machine Learning (ML). Die Praxis zeigt, dass mit diesen Methoden eine signifikante Anzahl von Verdachtsfällen identifiziert werden kann. Von geführten bis selbstständig lernenden Machine-Learning-Modellen, inklusive selbstaufbauenden Entscheidungsbäumen, neuronalen Netzwerken und integrierten Analytics-Plattformen, sind verschiedene Lösungen denkbar. Welche davon die Sinnvollste ist, ergibt sich aus den vorhandenen Daten. Ist die richtige Technologie gewählt, erkennt diese aus großen Datenmengen Auffälligkeiten, die sonst erst von außen über Polizeibehörden, Korrespondenzbanken oder aus dem Branchennetzwerk gemeldet worden wären.

Die Technologie ist durch stetige Anpassung in der Lage, selbstständig auf Transaktions- und Kundenänderungen zu reagieren. Wenn sie einen Treffer ausgibt, kontrolliert ein Mitarbeiter diesen im Prozess und entscheidet über eine Reaktion, zum Beispiel, ob der Kunde an die Behörden gemeldet werden muss oder nicht. Ziel des Machine Learning-Modells ist es, die Rate der „falschen Treffer“ möglichst gering zu halten und nur in begründeten Fällen Alarm zu schlagen. Wird die false-positive Rate durch das lernende System gemindert, können Mehraufwände direkt abgefedert werden. Das spart Projektbudgets und ermöglicht es, die Lösungen schneller zu skalieren. Zehnjahrespläne gehören damit der Vergangenheit an.

Der Schlüssel zum Erfolg heißt „Know-Your-Data“ und muss Teil des Gesamtkonzepts zur Geldwäscheprävention von Banken werden. Daten und deren Analyse sind ein wirksamer Weg, um Briefkastenfirmen zu enttarnen. Aber dazu muss zuerst Ordnung in die Daten gebracht und deren Qualität überprüft werden. Banken verfügen über zahlreiche Datenpunkte ihrer Geschäfts- und Privatkunden: Vom Zahlungsverhalten, über die Verweildauer und Höhe der Beträge auf dem Konto bis hin zu den Transaktionsparteien. Sind diese Datensätze jedoch über viele Daten-Silos verteilt, wird eine übergreifende Datenanalyse schwierig. Banken können ihre Datenmengen und deren Modellierung mit einem Fünf-Punkte-Plan selbst bändigen:

1. Strategische Vision

Die Strategie steht an erster Stelle. Die Bank muss sich bewusstwerden, welche Anforderungen ein Machine-Learning-Modell erfüllen und wie das Ergebnis aussehen soll. Auch muss sich das Modell in ein vordefiniertes Zielbild einfügen, damit klar ist, wie gelieferte Ergebnisse interpretiert und welche Antworten gesucht werden.

2. Datensammlung

Basierend auf der strategischen Vorstellung braucht es im nächsten Schritt die genaue Beschreibung und Beschaffung benötigter Transaktions- und Kundendaten sowie die Einrichtung technischer Datenbanken und Software. Auch externe Daten, wie etwa Unternehmenslisten, Negativberichte und Sanktionslisten sollten Finanzinstitute in die Kalkulation einbeziehen.

3. Datenanalyse

Data Analytics hilft, Firmen-Konstrukte zu kategorisieren, in Relation zu setzen, Häufigkeiten und Verteilungen sichtbar zu machen und zu vereinheitlichen. Hier gibt es zahlreiche Analyseprogramme, die schnell und effizient zur Verfügung gestellt werden können und einfach zu bedienen sind.

4. Datenverständnis

Analysierte Daten müssen verständlich sein. Dabei gilt, je detaillierter die Datenbestände sind, desto genauere Analysen können Machine-Learning-Programme durchführen und Muster bzw. Querverbindungen erkennen. Die Nutzung von Daten aus frei zugänglichen Quellen können Datensets vervollständigen und ermöglichen so bessere Ergebnisse. Basierend auf dieser Logik kann der erste Prototyp eines Machine-Learning-Modells erstellt werden.

5. Maschinelles Lernen

Ein Machine-Learning-Modell lebt von seinen Daten und lernt umso mehr hinzu, je öfter verschiedene Datenproben wiederholt werden. Das erhöht die statistische Genauigkeit, erklärt die Dynamik des Modells und lässt Raum für weitere Gestaltungen. Durch nachträgliche Plausibilisierung der Ergebnisse kann das Modell angepasst und verbessert werden.

Fazit

Die fortschreitende Digitalisierung – auch auf Seiten der kriminellen Organisationen – zwingt Banken dazu, im Compliance-Bereich technologisch Schritt zu halten und ihr Anti-Geldwäsche Rahmenwerk ständig zu überprüfen. Mit Data Analytics und Machine Learning ist es möglich, auf die immer komplexer werdenden Geldwäschevorgänge schnell zu reagieren, die Gefahr von Nichtmeldungen zu reduzieren und die Kosteneffizienz zu steigern. Gelingt Banken dieser technologische Sprung, haben sie nicht nur mehr Kapazitäten für ihr Kerngeschäft, sondern können auch ihre Trefferquote bei Verdachtsmeldungen erhöhen.

Autoren


Thomas May ist Berater bei Accenture und Experte für Data Analytics im Bereich Compliance


Hanjo Seibert ist Managing Director bei derselben Firma und leitet die deutsche Compliance und Governance – Practice.

Bildquellen: iStock.com/solarseven und Accenture


[zurück]
Weitere interessante News