De Preventie van Financiële Criminaliteit Transformeren met Slimmere Modellen

We herstructureerden het modellandschap voor Financial Crime Prevention (FCP) van een bank met meer dan 500 miljard aan activa om efficiënte modelontwikkeling te prioriteren en de werkdruk van analisten te verminderen.

Modelontwikkeling

Elk ontwikkeld modelontwikkelingsproces volgt belangrijke fasen: gegevensvoorbereiding, experimentatie/modelvorming, implementatie (bijvoorbeeld binnen een bestaande codebase) en modelvalidatie.

Door een landschap te ontwikkelen waar voorbereiding, implementatie, en validatie gestroomlijnd zijn, kunnen modelontwikkelaars meer tijd besteden aan diepgaande analyses en gebruikmaken van geavanceerde modeleringstechnieken. Het resultaat is een landschap dat wordt bevolkt door hoog presterende, geavanceerde modellen.

Om dit te bereiken, hebben we enkele belangrijke aanbevelingen gedaan:

• Modelvalidatie: Door een toll-gate benadering te hanteren, kunnen potentiële problemen eerder in het ontwikkelingsproces worden gesignaleerd.
• Data: Door de nadruk te leggen op herbruikbare en goed gedocumenteerde data-elementen (bijvoorbeeld via feature opslag of afgeleide lagen), kunnen functies en tabellen worden gedeeld, wat de tijd voor gegevensvoorbereiding drastisch vermindert.
• Implementatie: Door het modelontwerp te standaardiseren en een robuust MLOps-framework aan te nemen, kan de modelimplementatie naadloos en consistent verlopen.

Modellandschap

Binnen zo'n complex domein is het hebben van hoogwaardige modellen slechts de eerste stap om de risico's die gepaard gaan met financiële criminaliteit aan te pakken. Om echt effectief te zijn, moeten modellen minimale overlap hebben terwijl ze gezamenlijk de dekking van waargenomen risico's maximaliseren.

Zodra dit evenwicht is bereikt, kunnen modellen worden ingebed in een landschap dat is ontworpen voor gerichte signalen (bijvoorbeeld voortdurende zorgvuldigheid), in plaats van het voormalige gebruik van periodieke beoordelingen.

Hieronder volgt een schematische weergave van een best-practice FCP modellandschap. De op triggers gebaseerde aanpak zorgt ervoor dat analisten alleen die klanten of transacties beoordelen die de moeite waard zijn om te onderzoeken. Deze verschuiving resulteert in kwalitatief hoogwaardige Suspicious Activity Reports (SARs) en meer betrokken analisten.

Het implementeren van onze aanbevelingen zou de time-to-market voor een model in ontwikkeling verminderen van 24 maanden naar 9 maanden, waardoor de werkdruk van analisten aanzienlijk wordt verlaagd en de efficiëntie en effectiviteit van de detectie van financiële criminaliteit wordt verbeterd.

Voor verdere informatie, bezoek onze pagina over het bestrijden van financiële criminaliteit, of neem contact op met Johannes Lont, Senior Manager.