Verdachte banktransacties beter opgespoord met data-analyse

Machine learning, clusteranalyse en het detecteren van afwijkingen (anomaliedetectie) zorgen voor een snellere en betere opsporing van verdachte financiële transacties.

Wat was het probleem?

Net als alle branchegenoten levert deze internationaal opererende Nederlandse bank een grote inspanning om te voldoen aan de Wet ter voorkoming van witwassen en financieren van terrorisme. Ongebruikelijke transacties moeten gemeld worden bij de Financial Intelligence Unit Nederland van het ministerie van Financiën. Nalatigheid kan tot hoge boetes leiden. De bank spoort deze transacties op met een computersysteem dat criteria op basis van vooraf bepaalde regels gebruikt. Die criteria komen voort uit eerdere verdachte praktijken, zoals hoge transactiebedragen. Bankmedewerkers trekken vervolgens de ongebruikelijke transacties na. Deze manier van werken blijkt inefficiënt en kostbaar, want ze levert veel ‘bijvangst’ op: van de honderd als ongebruikelijke aangemerkte transacties, blijken er 99 onschadelijk. Daarbij leeft het idee dat de medewerkers hun alertheid verliezen door de lage score, met een hogere kans op fouten tot gevolg.

Wat is de oplossing?

Het startpunt voor een oplossing was de data-analyse van bijna 2,5 miljoen transacties, die PwC uitvoerde. We deden dit met een start-up die hiervoor een geavanceerde analysetechniek had ontwikkeld. Met de uitkomsten bouwden onze data-analisten een tweeledig systeem. Allereerst werd door clusteranalyse de groep individuele klanten opgedeeld in meerdere subgroepen met een specifiek gedragspatroon. Dit patroon bestaat uit tientallen dimensies, zoals de hoogte van transactiebedragen, pinnen in het buitenland, hoeveelheid transacties, tijdstip van transacties enzovoorts. Bij afwijkingen van dat specifieke gedrag, gaat een alarmbel af. Door machine learning verandert de groepsindeling dynamisch met elke transactie van ieder individu. Verder ontwikkelde PwC een wiskundig systeem voor anomaliedetectie: welke transacties wijken af van het eerder bepaalde transactiegedrag?

Wat is het resultaat?

De bank heeft nu veel minder werk om de verdachte transacties op te sporen. Door clusteranalyse en anomaliedetectie is het aantal onterecht als ongebruikelijk aangemerkte transacties direct teruggebracht van 99 procent naar vijftig procent. twintig procent ligt binnen bereik als de laatste verbeterslagen zijn gemaakt. Voor klanten van de bank betekent het dat hun transacties minder vaak onterecht worden tegengehouden. Verder leiden de specifiekere gedragscriteria tot een grotere kans dat een werkelijk verdachte transactie wordt opgemerkt. Een veel efficiënter systeem dus, met een grotere kans op het vinden van terrorismefinanciering en witwaspraktijken.