Mit Evolution zur Revolution

Transkript

1 Mit Evolution zur Revolution Etablierung von Compliance Analytics

2 Geschäftsmodelle im Wandel. Prozesse folgen. Aktuelle Trends am Beispiel einer Münchener Bank. Aktuelles aus der Presse

3 Hoher Druck aktueller regulatorischer Initiativen. und es gibt viele mehr. Quelle: KPMG,

4 Challenge: Beherrschung der Vielfalt. Gruppe Neue Bank Dt. Länder (fiktiv). KIs Ausland FDLIs Förder Invest, PE, VW Immo Services/Insourcing Anbahnung außen, aber nah Kompleität beherrschen. Grenzen sind fließend. ganz andere

5 Die Regulatoren greifen durch. Defizite zahlen sich aus. Negativ! If you complain about the cost of Compliance: Try non-compliance Institut Grund Jahr Strafe BNP Paribas US-Sanktions-Verstöße 06/ Mrd. U$ Barclays Goldpreis-Manipulation 05/ Mio. Credit Agricole, JP Morgan, HSBC Quelle: FAZ, Bankstrafen-Ticker, Handelsblatt Euribor-Zinsmanipulation 05/2014 <10% Umsatz Credit Suisse Beihilfe zur Steuerhinterziehung 05/2014 2,6 Mrd. U$ Bank of America Strittige Hypothekengeschäfte 03/2014 6,3 Mrd. U$ JP Morgan Chase Madoff-Betrug & Geldwäsche 03/ Mrd. U$ Deutsche Bank Libor-Zinsmanipulation 12/ Mio. Deutsche Bank Strittige Hypothekengeschäfte 12/2013 1,4 Mrd. U$ RBS US-Sanktions-Verstöße 11/ Mio. U$ UBS Beihilfe zur Steuerhinterziehung 02/ Mio. Diverse Banken Verstoss gegen Beratungsprotokolle 03/2012 a HypoVereinsbank Unzulässige Steuertricks 03/ Mio. 30/06/2014 6

6 Holistic IT-Support to cover Holistic Responsibility. Improved Efficiency by Standardization & ReUse. R-Cascade -Framework of Compliance Mgt. Vorstand AR Audit OpRisk Bafin/EZB WP Verbände 'Eternal' Reporting/Communication RISK + Risk Repository REGULATION Legal Repository RULES + REACH RESOURCES REPORTING Program + Policy Objects/Subjects Communication Processes IT Heads Structures KPIs MaRisk AML/CFT Anti Fraud Sanctions/ Embargo Chief Compliance Officer ROOTS: Compliance Strategy + Culture + Ecosystem REFINE: (Holistic) Management/Continous Improvement (Efficiency+Effectiveness) RECIPROCITY: Consolidated Compliance Risk Management/ Compliance Dashboard Securities Compliance Customer Protection Data Privacy Group Management Branches, Subsidiaries & Shares Business Outsourcings & Retained Orgs

7 Compliance IT-Anwendungen sind inhaltlich und technisch nicht synchronisiert. Typische Financial Crime IT Landschaft eines Instituts. strategic T Monitoring Geschäftskunden specific, t.b.d. Reporting / MIS Case Management Namenslistenabgleich Firmenkundenrisiken Geldwäsche + Betrug Geldwäsche Betrug Terrorismusfinanzierung legacy Gefährdungsanalyse Kundenrisiken Betrug T Monitoring Retail Kundenrisiken Geldwäsche T Screening Terrorismusfinanzierg. Unerwünschte Kunden Retail e-post near real-time real-time

8 Aktuelle Methoden sind ineffizient / ineffektiv. IT-Prüfungen tragen noch zu wenig zur Aufdeckung bei. Quelle: Aberdeen Group, ACFE 2012 Global Fraud Study

9 Ein Paradigmenwechsel steht bevor. Kurz-Zusammenfassung. These 1: Menge, Qualität und Dynamik der regulatorischen Anforderungen erhöhen die Kompleität in der Umsetzung These 2: Die Kompleität der Geschäftsmodelle deutscher Institute ist in der Regulatorik nur implizit berücksichtigt These 3: Der internen organisatorische Abbildung regulatorischer Themen fehlt vielfach ein gedanklicher Überbau These 4: Zur IT Abbildung der Regulatorik reichen Insellösungen nicht mehr aus

10 Alle reden über Big Data. Die Lösung? Big Data verspricht umfassende Methodik & Techniken. Big Data überflügelte erstmals Business Intelligence als Suchbegriff bei Google im Oktober Big Data Business Intelligence Big Data wird breit und nicht nur mit technologischem Fokus diskutiert. Nature 09/2008 The economist 03/2010 McKinsey 05/2011 Capital 04/2012 Harvard Business 11/2012 Die Zeit 01/2013 Der Spigel 20/

11 Betrug und Financial Crime werden mit Big Data noch nicht umfassend in Verbindung gebracht. Stellenwert der Betrugserkennung im Kontet Big Data. Relevanz von Big Data Erwarteter Nutzen von Big Data 100% 80% 60% 40% 20% 0% 7% 16% 27% 18% 33% Niedrig Hoch Tieferes und präziseres Geschäftsverständnis Verbesserte Markttrends Analysen Verbesserte Kundensegmentierung Verbesserte CRM-Kampagnen mit Big Data Erkennen von Verkaufsund Marktchancen Erschließung neuer Geschäftsfelder Verbesserte Planung und Forecasting Verbesserte Risikoberechnung Früherkennung von Churn Identifikationen von Kostentreibern Betrugserkennung Automatische Entscheidungsableitung Verbesserte Clickstream Analyse Verbesserte Fertigungsprozesse Sonstige 9% 2% 25% 25% 23% 21% 21% 18% 17% 13% 13% 28% 26% 26% 26% 0% 20% 40% 60% 80% 100% Bisher ist noch keine horizontale "Killer- Anwendung" für Big Data identifiziert worden. Die technologiegetriebene Debatte um Big Data klammert die Frage nach dem Business Nutzen regelmäßig aus. Darüber hinaus werden traditionelle BI Anwendungsszenarien (z.b. tiefere Einblicke in Kunden- und Marktgeschehen) mit Big Data verbunden. Die etrem schnelle Auswertung klassischer, großer Datenmengen wie Kunden-, Transaktions- und Prozessinformationen auf der einen und von eternen polystrukturierten Daten auf der anderen Seite kann durch derzeitige Compliance IT-Systeme nur marginal umgesetzt werden

12 Ein neuer Lösungsansatz ist mittelfristig notwendig. EINE Plattform für Financial Crime. strategic Financial Crime Plattform specific, t.b.d. Intern: Kunden Transaktionen Prozesse Etern: Listen Scores Etern: Soziale Netze Multimedia Geldwäsche Betrug Terrorismusfinanzierung legacy e-post near real-time real-time

13 Building Blocks of Compliance Analytics. Net-Gen Tool Kit for Detection and Prevention. 1 List Check: (Un-) conditional blacklist and whitelist checks with(out) fuzzy logic. Tomorrow (holistic) Today (siloed) ( ) Rules/Characteristics/Thresholds: Rules of thumb and modus operandi of well known offences. Epert-guess thresholds. Anomaly Detection: Behavior benchmarking against historical profiles, peer groups and KY-Profiles. Dynamic statistical thresholds. Pattern Detection: Discover formerly unknown modus operandi and behavioral correlations using datamining methods and technology. Network Analysis: Link supplier, customers, accounts, transactions via common or correlated attributes. Found alerts on networks. Predictive Analytics: Discover threats by characteristical behaviour before they become finally effective and be prepared. Realtime Detection & Instant-T-Freeze: High performance processing and integration into STP-follow up-processes. ( ) ( ) ( ) (?) (?)

14 Predictive Analytics Definition nach Gartner Advanced Statistics makes the difference. Predictive Analytics describes any approach to data mining with four attributes: an emphasis on prediction (rather than description, classification or clustering) rapid analysis measured in hours or days (rather than the stereotypical months of traditional data mining), an emphasis on the business relevance of the resulting insights (no ivory tower analyses) and (increasingly) an emphasis on ease of use, thus making the tools accessible to business users

15 Was unterscheidet klassisches BI, Data Mining und Predictive Analytics? für Compliance spezifisch zu operationalisieren. Business Intelligence Data Mining Predictive Analytics Was passiert(e) in meinem Geschäft? Für Compliance: Risiko- / Gefährdungsanalysen Was sind die besten/schlechtesten Kundengruppen? Für Compliance: Transaktions- / Kundenrisiken E-post monitoring Wie werden sich Kundengruppen in der Zukunft verhalten? Für Compliance: Prävention statt Reaktion

16 Prediktion benötigt Preparation. Methoden Know How fehlt i.d.r. (noch) im Fachbereich. Rohdaten Preprocessing Transformation, Dekorrelation, Regularisierung,... Erzeugung geeigneter Input-Variablen Muster erkennen mit historischen Daten Muster anwenden auf aktuelle Daten (Prognose) Data Scientist Interpretation des Output (automatisiert) Quelle: Steria/Blue Yonder

17 schneller Aufhebung von Limits Fraud- Verhinderung Qualität Eine phasenweise Transformation macht die Veränderungen transparent und nachvollziehbar. Transformationsphasen für Financial Crime Prevention Predictive Analysis Löst das starre Regelmodell auf 2 1 Modell Anpassung Technologie Transformation Predictive Analysis 2. Modell Anpassung Optimiert auf Basis deterministischer Modelle das Regelmodell Erlaubt neue statistische Formen der Parametrisierung 1. Technologie Transformation Stellt eine Big Data fähige Plattform ceteris paribus zur Verfügung Transformationsphasen für Financial Crime Prevention Zeit

18 Funktions- und Geschwindigkeitsgewinn ermöglichen komplett neue Prüfszenarien. Leistungsfähigkeit von In-Memory Applikationen. A real-time approach to monitoring transactions is necessary in a world with a much higher proportion of online and mobile transactions, and AML programs will need to reflect this increased velocity. Anti-Money Laundering Solutions; Chartis Mio. Kunden 1 Mrd. Transaktionen > 40 h < 4 min schneller Standard System SAP HANA Fraud Management

19 Financial Crime Verdachtsfälle können in 10% der bisherigen Zeit bearbeitet werden. Beispiele operativer end-to-end Bearbeitungszeiten. Status quo: Monatsverarbeitung 41 Days 9 Days Full Month Data Collection ETL Data Enrichment Idle Time (Batch Window) IT Processing Alert Qualification QA AML Report (QA, Research) Idle Time (Branch Request) 50d Zukünftig: Intraday Verarbeitung Data ETL Idle Time IT Proc. AML MI QA Idle Time AML SAR Consolidation: Daily 30 Day Rolling Timeframe Processing ½ + intraday Near real-time replication + <4 Faster investigation via full data availability 5d

20 Anzahl Kunden Schwellenwerte werden statistisch bestimmt und per Backtesting optimiert. Statistische Ableitung von Parameter Einstellungen. Compliance AML-/Fraud System unauffällig Schwellwert auffällig Schwellwert (SW i ) Typologie- Gewicht (TG i ) X X Auffälligkeitsinde Berechnungslogik SW i f ( Tl, Pgn, TGi, Vrm ) TGi f ( Tl, HPgn )

21 Die Einstellung der Schwellenwerte definiert den manuellen Bearbeitungsaufwand. Häufigkeitsverteilung und resultierende Alarme. Alarme Wert der Transaktion Wer das erkennen kann

22 Erschließung der Netzwerk-Analyse zur Detektion. Statt nur e-post Investigation near-time Detektion. Quelle: SAS-Institute

23 Ausrichtung aller Waffen auf ein Ziel. Beispiel Onlineüberweisungs-Betrug. Process Start Service Data Methods Speed Integration Authentification Data Input TAN-Request Session- Contet Neartime Pre- Qualifiying Realtime Assessment TAN-Authorization Debit (Originator) Credit (Beneficiary) Transaction- Contet Using static and dynamic rules based on predictive analytics. Check for last proof with simplified high speed Rules. Instant Hold (final) Transfer/Debit Credit/Cash out Beneficiary- Contet

24 Amortisation durch Schadensreduktion. Oft nur ca. 40% der Betrugsschäden erkannt. Festgestellte Schäden 5,2m 3,7m 2,5m 3,5m Betrugs Risikoanalyse??? 5,5m

25 A penny saved is a penny earned. Benjamin Franklin (Poor Richards Almanac, 1737)