Verbetering van Witwasdetectie voor een Toonaangevende Nederlandse Bank

We hebben een machine learning model ontwikkeld voor een toonaangevende Nederlandse bank met meer dan 300 miljard euro aan activa, gericht op het detecteren van potentiële witwasactiviteiten binnen haar segment van vermogende klanten.

Uitdaging

Anti-Money Laundering (AML) modellen hebben doorgaans te maken met een veelvoorkomend probleem: een beperkt aantal true positive gevallen voor effectieve modeltraining. Om dit aan te pakken, gebruiken de meeste AML-modellen een vorm van anomaliedetectie om ongebruikelijke patronen in klantgedrag te identificeren.

Onze focus lag op de wealth management klanten van de bank, geïdentificeerd door een minimumbedrag aan activa. Dit biedt een unieke uitdaging omdat deze klanten van nature al statistische uitschieters zijn. Daardoor moesten we anomalieën binnen deze groep uitschieters identificeren, wat de complexiteit van het model aanzienlijk vergrootte.

De bank heeft een bestaand model, en onze rol is om de prestaties ervan te verbeteren, met de nadruk op:

• Het herontwikkelen van peer groups
• Het verminderen van valse positieven in AML-detectie

Modelontwikkeling

Net als de meeste machine learning projecten, is de ontwikkelingscyclus onderverdeeld in drie belangrijke fasen: feature engineering (wat het meeste tijd in beslag neemt), modellering, en testen/implementatie.

We hebben modelkenmerken ontworpen om ervoor te zorgen dat normaal klantgedrag overeenkomt met lagere waarden, terwijl afwijkend gedrag hogere waarden veroorzaakt. Deze benadering verbetert de effectiviteit van anomalie detection modellen.

Door nauw samen te werken met operationele analisten, hebben we deze kenmerken verfijnd om duidelijke valse positieve resultaten te minimaliseren onder cases met de hoogste scores. Hierdoor is de kans kleiner dat klanten met legitieme activiteiten hoge anomalie scores krijgen in het uiteindelijke model.

Peer Groups

Het detecteren van afwijkend gedrag onder vermogende klanten—die van nature allemaal uitschieters zijn en zeer diverse transactiepatronen vertonen—vereist een genuanceerde aanpak. Om dit aan te pakken, hebben we klanten gegroepeerd op basis van hun transactiegedrag om peer groups te vormen.

Belangrijke kenmerken werden vervolgens geëvalueerd door te meten hoeveel het gedrag van een klant afweek van dat van hun peers. Deze methode identificeert anomalieën door klanten te vergelijken met peers met vergelijkbare transactiepatronen.

Onze rol bestond uit het herzien en verfijnen van deze peer groups om de effectiviteit van op peers gebaseerde kenmerken te verbeteren, wat uiteindelijk de algehele prestaties van het model verbetert.

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