Im streng regulierten Feld der Geldwäschebekämpfung sind die Banken gezwungen, regelbasierte Erkennungsmodelle einzusetzen, die hohe Erkennungsraten, aber auch extrem hohe False-Positive-Raten aufweisen, was eine enorme finanzielle Belastung für die Banken bedeutet. Banken führen erste Diskussionen mit den Aufsichtsbehörden, wie heutige Transaktions-Monitoring-Lösungen mit Hilfe von Machine-Learning-Verfahren optimiert werden können.

spotixx stellt seinen Kunden Optimierungsregeln bereit, um Alerts nach der Wahrscheinlichkeit von Alert-to-SAR oder Alert-to-Case zu klassifizieren. Zur Generierung der Optimierungsregeln nutzt spotixx komplexe Machine-Learning-Modelle. Die erzeugten Regelwerke sind jedoch einfach interpretierbar und menschenlesbar. Dies erhöht die Akzeptanz durch die Aufsichtsbehörden.

Hiermit unterstützen wir verschiedene Optimierungsszenarien bei unseren Kunden:

  • Alert-Scoring bzw. Alert-Post-Processing-Modell
  • Input für ein Alert-Hibernation-Modell
  • Identifizierung und Optimierung von Risikofaktoren in einem bestehenden Transaktions-Monitoring
  • Optimierung von Schwellwerten für Regeln im bestehenden Transaktions-Monitoring
  • Auffinden neuer Erkennungsregeln