Mit Graph-Anaylsen Geldwäsche bekämpfen

Warum Finanzinstitute und Regulierungsbehörden aufhören sollten, nach den alten Regeln zu spielen.

Finanzinstitute tun sich schwer, mit bösartigen, globalen kriminellen Netzwerken Schritt zu halten, die ständig neue und immer komplexere Methoden entwickeln, um Gelder über legitime Finanzsysteme zu waschen. Althergebrachte AML-Systeme, die sich ausschließlich auf Regeln stützen, stoßen an ihre Grenzen und reichen nicht mehr aus, um die zunehmend ausgefeilten internationalen Geldwäschenetzwerke zu bekämpfen.

Funktionsweise eines rein regelbasierten AML-Systems

• Wendet AML-Regeln auf Transaktionsdaten an
• Identifiziert verdächtige Aktivitäten
• Informiert einen Ermittler über auffällige Warnsignale

Grenzen eines rein regelbasierten AML-Systems

• Berücksichtigt keine anderen Datenarten, die bei der Verhinderung krimineller Aktivitäten helfen könnten
• Kann keine Verbindungen zwischen Entitäten herstellen
• Ist nicht in der Lage, größere Muster und Trends zu erkennen
• Unflexibel, während Kriminelle sich häufig anpassen
• Nutzt die umfangreichen bei den Instituten gespeicherten Daten nicht aus

Verwenden Sie Graph-Anaylsen, um Geldwäscher in ihrem eigenen Spiel zu schlagen

Finanzinstitute müssen Geldwäschern auf ihrem eigenen Terrain entgegentreten und über die Grenzen rein regelbasierter AML-Systeme hinaus agieren. Durch den Einsatz von Graph-Anaylsen können Banken komplexe Netzwerke von Geldwäschepraktiken aufdecken, die von Legacy-Systemen oft übersehen werden. Jetzt bricht eine neue Ära an, in der Banken ihre Sicherheit gegen invasive kriminelle Aktivitäten deutlich erhöhen und so ihre Organisationen, ihren Ruf und ihre Kunden besser schützen können.

Graph-Anaylsen basieren auf einem mathematischen Modell, das Informationen in Form von Graphen untersucht. Dabei werden Datenpunkte als Knoten dargestellt, während Beziehungen zwischen diesen Punkten als Kanten skizziert werden. Dank der Fähigkeit, Verbindungen zu analysieren – ganz gleich, wie komplex oder entfern sie sind – ermöglicht diese Technologie Banken, Muster zu identifizieren, die bislang verborgen blieben.

Viele Branchen nutzen diese Technologie, um zuvor unerkannte Erkenntnisse zu gewinnen und gleichzeitig die AML-Vorschriften einzuhalten. Chief Compliance Officers profitieren besonders von Graph-Anaylsen, da diese Lösung sehr effektiv gegen bösartige Netzwerke von Geldwäschern wirkt und das Compliance-Management stärkt.

Graph-Anaylsen aus Oracle Financial Crime and Compliance Management Cloud Service

Oracle Financial Crime and Compliance Management hat 2018 basierend auf Untersuchungen von Oracle Labs Graph Analytics integriert. Gestützt auf unsere Führungsposition in den Bereichen Daten, Abfrage, Verarbeitung und Visualisierung stärkt diese Technologie die Einhaltung von AML-Vorschriften durch Institutionen.

1. Daten im Mittelpunkt

• Das Graph-Analysen-Tool von Oracle für Finanzkriminalität und Compliance wird durch die Oracle Financial Services Data Foundation unterstützt, die die umfassendsten Datenmodelle zur Bekämpfung von Finanzkriminalität in der Branche umfasst. Diese Lösung wurde über einen Zeitraum von mehr als 20 Jahren kontinuierlich weiterentwickelt.
• Unser integriertes Financial Crime Graph Model arbeitet eng mit der Financial Services Data Foundation zusammen, indem es Daten konsolidiert und indexiert, sodass sie mithilfe von Graph-Anaylsen visualisiert werden können. Das Financial Crime Graph Model ist flexibel und arbeitet ohne vordefiniertes Schema, sodass die Lösung auch bei begrenzten Datenmengen effektiv genutzt werden kann.
• Nutzer können eine Multimodell-Konfiguration (wie z. B. Oracle Database) verwenden, um flexibel zu entscheiden, wie Daten abgefragt und verwaltet werden.
• Das Financial Crime Graph Model bezieht Informationen aus Data Lakes, relationalen Datenbanken, Einzeldatensätzen und externen Datenquellen von Drittanbietern. Indem eine ganzheitliche Sicht auf Kunden und deren Beziehungen ermöglicht wird, können Anwender Verbindungen zwischen all ihren Datenquellen modellieren.
• Unsere quantifizierte Integration bietet bedarfsorientierte, risikobewertete Informationen basierend auf Open-Source-Intelligence und externen Datenquellen.
• Daten des International Consortium of Investigative Journalists (bekannt durch die Veröffentlichung der Panama Papers) sind in den Graph integriert. Diese Informationen helfen Anwendern, potenzielle schlechte Akteure sofort zu erkennen und entsprechende Maßnahmen zu ergreifen.

2. Überlegene Abfragesprache

• Die Graph-Abfragesprache ist benutzerfreundlich und einfach zu verstehen. Sie verwendet eine Logik, die das Ausdrucksvermögen von Mustern vereinfacht – unabhängig davon, ob Datenbeziehungen komplex, indirekt oder weitreichend sind.
• Die proprietäre, SQL-ähnliche Sprache von Oracle heißt Property Graph Query Language (PGQL). Das Open-Source-Projekt ermöglicht prägnante Abfragen, die das Codieren und Verarbeiten erleichtern und beschleunigen.
• PGQL-Abfragen sind um ein bis zwei Größenordnungen schneller als vergleichbare SQL-Abfragen.

3. Schnellere Verarbeitung

• Oracle setzt eine skalierbare In-Memory-Graph-Analyse-Engine namens Oracle Parallel Graph Analytics (Oracle PGX) ein.
• Oracle PGX liefert blitzschnelle Antworten durch die Nutzung paralleler Verarbeitung und großer verfügbarer Speicherkapazitäten.
• So haben Benutzer Zugriff auf integrierte Algorithmen für gängige Abfragen, können aber auch eigene Algorithmen und Einschränkungen zur individuellen Anpassung erstellen.
• Benutzer, die ihre eigenen Algorithmen erstellen möchten, können eine API zur vollständigen Anpassung nutzen.

4. Leistungsstarke Visualisierungen

• Benutzer können auf Knoten klicken, um die Beziehungen zwischen verschiedenen Datenpunkten intuitiv zu untersuchen.
• Graph-Analysen-Visualisierungen basieren auf Open-Source-Data-Science-Notebooks und sind in die Oracle Financial Services Enterprise Case Management-Anwendung integriert – und zwar über das Modul Oracle Financial Services Crime and Compliance Investigation Hub.
• Echtzeit-Updates der Visualisierungen liefern wertvollen Kontext für Risikobewertungen.
• Durch die Darstellung von Verbindungen können Data Scientists Algorithmen einfacher entwickeln. Dies ist entscheidend, da die Integration von Graph-Analysen in ein Machine-Learning-Ökosystem die Genauigkeit deutlich verbessert.