غلبه بر بزرگترین چالش های نظارت بر معامله

اگر تا به حال زمان خوبی برای برداشتن یک قدم به عقب و نگاهی به اثربخشی نظارت بر معامله وجود داشته باشد ، اکنون آن زمان است. همانطور که جهان راه خود را از طریق همه گیر Covid-19 پیدا می کند ، بانک ها و سایر موسسات مالی در حال جرایم مالی هستند.

برای سازمان هایی که دارای راه حل های قدیمی یا ناکارآمد نظارت بر معامله هستند ، این چالش ها نه تنها بسیار زیاد است بلکه با پیامدهای ترسناک همراه است.

در زیر من به بزرگترین چالش های نظارت بر معامله در حال حاضر در مورد تیم های انطباق ضرب و شتم می پردازم. اگر هر (یا حتی همه) از این چالش ها ناراحت کننده به نظر برسند ، وقت آن است که اقدامات خود را شروع کنیم - هرچند کوچک - به سمت تغییر.

7 چالش نظارت بر معامله که نمی توانیم نادیده بگیریم

1. سیستم های نظارت بر معاملات خارج از قفسه

سیستم های نظارت بر تعویض در خارج از قفسه یکی از بزرگترین مشکلات است ، اگر نه مشکل. هنگامی که سیستم های نظارت بر معامله به یک الزام نظارتی تبدیل شدند ، بسیاری از مشاغل با خرید یک سیستم خارج از قفسه ، جعبه را بیرون کشیدند و جعبه را تیک زدند.

در آن زمان ، این مشاغل احتمالاً از چگونگی آسیب رساندن به سیستم نظارت نامناسب معامله ، که در خطرات شما کالیبره نشده است ، آگاه نبوده اند. این تعجب آور نیست زیرا حتی تنظیم کننده ها نظرات مختلفی در مورد نوع سیستم نظارت بر معامله داشتند.

در حالی که سیستم های خارج از قفسه در آن زمان رفع سریع را ارائه می دهند ، آنها آنچه را که می گویند روی قلع انجام نمی دهند و یک تخلیه گسترده در منابع هستند. به طور خاص ، آنها هزینه های بسیار طولانی تر از آنچه پیش بینی شده است هزینه می کنند.

2. بار مثبت کاذب

سیستم های نظارت بر معامله سنتی 90 ٪ از زمان را اشتباه می گیرند - برای هر 1000 هشدار ، 900 نفر مثبت کاذب هستند. این تعداد بسیار زیادی است و به هزینه های خونریزی ترجمه می شود. نه تنها از نظر پردازش هشدار اشتباه بلکه در تلاش برای رفع سیستم های شکسته و استخدام منابع برای پشتیبانی از پس زمینه. همچنین باعث ایجاد مسائل نظارتی می شود.

مثبت های کاذب با هزینه زیادی برای نیروی انسانی به وجود می آیند و برخی از بانک ها دارای هشدار از هشدار هستند که به سادگی نمی توانند با آنها کنار بیایند. در بازتاب مقیاس چالش هایی که سازمانها با آن روبرو هستند ، ما همچنین هزینه های حیرت انگیزی را مشاهده کرده ایم. به عنوان مثال ، Deutsche Bank 1 میلیارد یورو برای تقویت AML هزینه کرده است در حالی که ولز فارگو 20 میلیارد دلار هزینه کرده است - 11 میلیارد دلار از این مشاوره.

3. کافی یا خارج از آموزش و تجربه داده ها

به طور فزاینده ای معمول است که فارغ التحصیلان تازه با مسئولیت بررسی کوه هشدارهای سیستم سیلی بزنند. اما به همان اندازه که بسیاری از فارغ التحصیلان جدید با استعداد هستند ، این بررسی ها باید توسط متخصصان انطباق یا افرادی از بانکداری خارج از کشور با تجربه در تحقیق در مورد جرم مالی انجام شود.

و همچنین فاقد درک اساسی برای تشخیص مؤثر پولشویی ، بسیاری از فارغ التحصیلان از آموزش داده های کافی یا خارج از آن استفاده نمی کنند. بدون مهارت و تجربه مناسب ، هشدارهای زیادی به اشتباه رد می شوند.

مسئله دیگری که من دیده ام این است که برخی از استارت آپ ها افراد با تجربه بسیار زیادی را به وجود می آورند. در حالی که در مقابل آن به نظر می رسد ایده خوبی برای اهداف هزینه است ، باید مراقبت انجام شود. در نهایت ، سازمان های جدید در برخی موارد ناخواسته خود را با فناوری قدیمی تنظیم می کنند. این موضوعاتی است که در صورت نوآوری در کنترل ریسک خود ، می توان به راحتی از آن جلوگیری کرد.

4- KPI ها فرهنگ و رفتارهای اشتباه را تشویق می کنند

اگر سیستم های قدیمی شکسته با تحلیلگران بی تجربه ، به اندازه کافی نگران کننده نبودند ، مسئله زشت شاخص های عملکرد کلیدی (KPI) به مشکلات انطباق می افزاید.

KPI ها در نظارت بر معامله به منظور ایجاد انگیزه برای تحلیلگران برای پاکسازی پس زمینه ها به روشی آماری طراحی شده اند ، اما آنها در واقع با یک نوع رفتار اشتباه ، فرهنگ خطرناک را ایجاد می کنند.

برای دیدار با KPI ها (و از اخراج) ، تحلیلگران اساساً باید به سرعت هشدار را ببندند. اما این باعث ایجاد سناریویی می شود که در آن بسیاری از تحقیقات موردی افتتاح نمی شوند - هم به دلیل کمبود مجموعه مهارت و هم کمبود وقت. برای تحلیلگر ، احتمالاً تجزیه و تحلیل هزینه و سود سریع باعث می شود که آنها به طور عادلانه هشدار را برای دیدار با KPI های خود و حفظ شغل خود به خود اختصاص دهند. بسیار مایه تاسف است که مردم به دلیل عدم تحقق این اهداف ، شغل خود را از دست می دهند.

5. آستانه های سیستم آسان برای ضرب و شتم و تقلب

همه می دانند که با کار کردن در آستانه های خاص ، تقلب در سیستم های نظارت بر معامله مبتنی بر قاعده چقدر آسان است. این یکی از مناطقی است که سیستم های AML سنتی ، منسوخ و واکنشی مبتنی بر قانون به ویژه مشکل ساز هستند. فعالیت های بسیار مشکوک مورد توجه قرار نمی گیرد زیرا مجرمان پیشرفته عملیات خود را به گونه ای انجام می دهند که در زیر رادار قانون باقی می ماند.

6. داده ها استقرار AI را پشت سر می گذارند

یک سیستم نظارت بر معامله واقعاً مؤثر که از قدرت هوش مصنوعی (AI) بهره می برد ، برای همه داده ها به یک منبع حقیقت متکی خواهد بود. با این حال ، این یک چیز واقعاً دشوار است.

نادیده گرفتن نقاط ضعف در داده های شما گزینه ای نیست زیرا هوش مصنوعی باید در استراتژی AML شما یکپارچه باشد - اما تا زمانی که داده های شما سازماندهی و تکمیل نشود ، نمی توانید از هوش مصنوعی استفاده کنید.

آماده شدن داده ها برای استقرار AI فرایندی نیست که بتواند عجله شود. داده ها باید با دقت جمع آوری شوند و به هرگونه نشانه ای از فساد توجه زیادی می شود.

7. سردرگمی از رویکردهای نظارتی متفاوت

چالش های انطباق با این واقعیت پیچیده می شود که تنظیم کننده های مختلف در مورد آنچه در نظارت بر معامله قابل قبول است ، دیدگاه های مختلفی دارند. به عنوان مثال ، هشدارهای سیستم. اگر این هشدارها از مسئله کالیبراسیون ناشی شود ، برای تنظیم کننده A ، این قابل قبول خواهد بود و نیازی به بررسی هشدار نیست. برای تنظیم کننده B ، بدون در نظر گرفتن نحوه بروز آن ، باید هشدار بررسی شود. این رویکردهای متفاوت و متناقض باعث سردرگمی در یک محیط نظارتی در حال حاضر پیچیده می شوند.

نکته آخر این است که دانستن دقیقاً تعهدات نظارتی شما از اهمیت ویژه ای برخوردار است. غالباً ، هنگام بررسی پرونده ، می بینیم که موضوعاتی شناسایی می شوند که با هشدار اصلی ارتباط ندارند. بعضی اوقات ، حق یا غلط وجود ندارد.

چگونه به جلو حرکت کنیم

اولا ، ما باید بپذیریم که اکثریت قریب به اتفاق سیستم های AML شکسته شده اند. ثانیا ، ما باید تصدیق کنیم که AI آینده برای AML است اما یک قدم بین وجود دارد. سازمان ها قبل از اجرای آن باید برای هوش مصنوعی آماده شوند. برای پیشبرد بانک ها و سایر موسسات مالی باید:

1. از پیشرفت های پیچ برای بهبود عملکرد سیستم های نظارت بر معاملات موجود استفاده کنید

حرکت به دور از سیستم های نظارت بر معاملات قدیمی باید یک قدم در یک زمان باشد و با پیشرفت های ساده پیچ و مهره شروع شود.

2. سازماندهی داده ها

هوش مصنوعی دارای قدرت و پتانسیل عظیمی برای تشخیص پولشویی است اما قادر به استفاده از آن است ، باید یک منبع داده وجود داشته باشد. این می تواند یک کار بیش از حد باشد ، بنابراین در صورت لزوم به دنبال کمک متخصص باشید.

3. نظارت بر تراکنش های پایه بر روی رفتار و مشخصات مشتری ، نه فقط آستانه یا سناریوها

نظارت بر معاملات منحصراً بر اساس آستانه یا سناریوها یک عمل تاریخ و ناکارآمد است. نظارت بر معامله مبتنی بر قانون باید با نظارت بر تغییرات واقعی در رفتار و مشخصات مشتری افزایش یابد. این بهترین راه برای شروع واقعاً شناختن مشتری و درک اینکه آیا آنها واقعاً مشکوک هستند یا خیر.

درباره نویسنده

Oonagh چارچوب ها و تیم های مختلف ریسک انطباق را در سراسر صنعت ایجاد و هدایت کرده است و روابط نظارتی و بدن را توسعه داده و حفظ کرده است.

او با افزایش اتوماسیون ، از جمله هوش مصنوعی و ادغام یادگیری ماشین ، طرفدار رهبری و توسعه چارچوب اخلاقی است. او همچنین علاقه مند به توانمندسازی افراد با توانایی ها برای رفع چالش های خطر از طریق درک رفتارها برای تجزیه موانع و ایجاد فرهنگ هایی با تصمیم گیری حساس به تجارت است.

Oonagh بنیانگذار Raw Alliance ، یک جامعه جهانی انطباق است که در اصل مأموریت خود را برای به اشتراک گذاشتن دانش برای هدایت نوآوری دارد. او همچنین مدیر عامل راه حل های ریسک مجازی VRS ، یک شرکت مشاوره جهانی متخصص در بازسازی چارچوب های کنترل ریسک کاملاً ناکارآمد و ناکارآمد ، با داده های یکپارچه در هسته است.