Combatti il riciclaggio di denaro con i graph analytics

Perché le istituzioni finanziarie e le autorità di regolamentazione dovrebbero smettere di rispettare le regole

Le istituzioni finanziarie stanno avendo difficoltà a stare al passo con le reti criminali globali che escogitano costantemente nuovi e più complessi modi per riciclare fondi attraverso sistemi finanziari legittimi. I sistemi antiriciclaggio (AML) legacy sono al loro punto di rottura e non sono più sufficienti per combattere le reti internazionali di riciclaggio di denaro sempre più sofisticate.

Come funziona un sistema AML basato su regole

• Applica regole AML ai dati delle transazioni
• Identifica attività sospette
• Avvisa un investigatore umano riguardo le red flag

Limiti di un sistema AML basato su regole

• Non considera altri tipi di dati che possono aiutare a prevenire attività criminali
• Non può stabilire connessioni tra entità
• Non può riconoscere pattern e trend più grandi
• Inflessibile, mentre i criminali si adattano spesso
• Non utilizza le grandi quantità di dati archiviati presso le istituzioni

Usa i graph analytics per battere i riciclatori di denaro al loro stesso gioco

Le istituzioni finanziarie devono combattere il riciclaggio di denaro nel proprio territorio e operare al di là dei vincoli dei sistemi antiriciclaggio basati su regole. Sfruttando i graph analytics, le banche possono rivelare reti complessi di pratiche di riciclaggio di denaro che potrebbero essere trascurate dai sistemi legacy. Ora è l'alba di una nuova era in cui le banche possono aumentare la sicurezza contro l'attività criminale invasiva per proteggere meglio le loro organizzazioni, la reputazione e i clienti.

I graph analytics sono un modello matematico che analizza le informazioni in formato grafico, tracciando i datapoint come nodi e disegnando le relazioni tra tali datapoint come bordi. Con la capacità di valutare le connessioni, non importa quanto complesse o distanti, questa tecnologia aiuta le banche a mettere insieme pattern che non erano identificabili fino a poco tempo fa.

Molti settori utilizzano questa tecnologia per ottenere insight in precedenza non individuabili e rispettare le regole AML. I Chief Compliance Officer possono trarre vantaggio dai graph analyics in quanto la soluzione può essere estremamente efficace contro le reti di riciclatori di denaro e può rafforzare i sistemi di gestione della compliance.

Graph analytics da Oracle Financial Crime and Compliance Management Cloud Service

Oracle Financial Crime and Compliance Management ha integrato i graph analytics nel 2018, sulla base di una ricerca condotta da Oracle Labs. Grazie alla nostra leadership nei dati, nelle query, nell'elaborazione e nelle visualizzazioni, questa tecnologia rafforza la compliance degli istituti alle regole AML.

1. Dati al centro

• Lo strumento di graph analytics per la gestione della criminalità finanziaria e della compliance di Oracle è basato su Oracle Financial Services Data Foundation, che include i modelli di dati sulla criminalità finanziaria più completi del settore. Questa soluzione è stata perfezionata nel corso di più di 20 anni.
• Il nostro Financial Crime Graph Model integrato funziona in tandem con la nostra Financial Services Data Foundation, consolidando e indicizzando i dati in modo che possano essere visualizzati utilizzando i graph analytics. Il Financial Crime Graph Model è flessibile e non funziona su uno schema predefinito, garantendo che la soluzione sia utile anche con quantità di dati scarse.
• Gli utenti possono utilizzare una configurazione multimodello (ad esempio Oracle Database) per decidere in modo flessibile come eseguire query e gestire i dati.
• Il Financial Crime Graph Model ottiene informazioni da data lake, database relazionali, set di dati una tantum e feed di dati di terze parti. Facilitando un quadro più olistico dei clienti e delle loro relazioni, questo strumento consente agli utenti di modellare le connessioni tra tutte le loro fonti di dati.
• La nostra integrazione quantificata offre informazioni on-demand e valutate in base al rischio basate sull'intelligenza open source e su fonti di dati esterne.
• I dati dell'International Consortium of Investigative Journalists (famoso per aver rilasciato i Panama Papers) sono integrati nel grafico. Queste informazioni aiutano gli utenti a rilevare e gestire immediatamente i potenziali malintenzionati.

2. Linguaggio di query di qualità più elevata

• Il linguaggio di query graph è facile da usare e semplice da comprendere. Applica una logica che semplifica l'espressione dei pattern, indipendentemente dal fatto che le relazioni tra dati siano complesse, indirette o distanti.
• Il linguaggio proprietario di Oracle simile a SQL si chiama Property Graph Query Language (PGQL). Il progetto open source esprime le query in modo conciso, garantendo che la codifica e l'elaborazione siano più semplici e veloci.
• Le query PGQL funzionano da uno a due ordini di grandezza più velocemente rispetto a query simili eseguite in SQL.

3. Elaborazione più rapida

• Oracle utilizza un motore di graph analytics in-memory scalabile denominato Oracle Parallel Graph Analytics (Oracle PGX).
• Oracle PGX offre risposte velocissime sfruttando l'elaborazione parallela ed enormi quantità di memoria disponibile.
• Sebbene gli utenti abbiano accesso ad algoritmi integrati per eseguire query comuni, possono anche creare algoritmi e vincoli personalizzati per soddisfare le loro esigenze.
• Gli utenti che desiderano creare i propri algoritmi possono sfruttare un'API per una personalizzazione completa.

4. Visualizzazioni potenti

• Gli utenti possono fare clic sui nodi per esplorare in modo intuitivo le relazioni tra vari datapoint.
• Basate su notebook di data science open source, le visualizzazioni dei graph analytics sono incorporate nell'applicazione Oracle Financial Services Enterprise Case Management tramite il modulo Oracle Financial Services Crime and Compliance Investigation Hub.
• Gli aggiornamenti in tempo reale alle visualizzazioni aiutano a fornire il contesto per i punteggi di rischio.
• Visualizzando le connessioni, i data scientist possono creare più facilmente un algoritmo. Ciò è fondamentale poiché l'implementazione dei graph analytics in un ecosistema di machine learning può migliorare l'accuratezza.