Bank: Fallstudie Geldwäscheprävention

• Nicht vollständig regelkonform bei allen Risiken

• Risiko, zu viele ungewöhnliche Transaktionen zu verpassen

• Komplexe Alt-Regelwerke

• Zu viele False Positives

Die Bank könnte von einzelnen Regeldefinitionen zu einem ganzheitlicheren Modell übergehen, indem sie alle Risiken in die Sygno AutoML-Lösung für ihr neues AML-Modell konfiguriert. Dies erhöhte ihre Risikoabdeckung und reduzierte gleichzeitig die Komplexität ihres bestehenden Regelwerks. Die Bank kann nun das Sygno-Modell, das auf gutes Kundenverhalten fokussiert ist, nutzen, um bisher unbekannte verdächtige Transaktionen aufzudecken (Anomalieerkennung). Die Nutzung des Sygno-Modells führte zudem zu einer erheblichen Reduzierung von False Positives bei gleichzeitiger Erhöhung potenzieller Verdachtsmeldungen.

Bank: Fallstudie Betrugsprävention

• Erhöhung der proaktiven und frühzeitigen Betrugserkennung

• Time-to-Market für Modelle zu neuen Zahlungs- und Betrugsarten verkürzen

Sygno modellierte das normale Kundenverhalten dieser Bank, was zu Anomalien führte, die deutlich sichtbar wurden. Sygno generierte ein robusteres Vorhersagemodell zur Betrugserkennung, das die Bank bei der frühzeitigen Erkennung neuer Betrugsmuster unterstützte. Die Erkennung des „normalen" Verhaltens der besten Kunden der Bank reduzierte False Positives erheblich und verbesserte die Kundenerfahrung, insbesondere für Kunden, die unregelmäßige oder internationale Zahlungen tätigen. Die Time-to-Market für das neue Modell und Updates ist wesentlich kürzer (ein paar Stunden).

Genossenschaftsbank: Fallstudie Geldwäscheprävention

• Kaum oder keine internen Data-Science-Kapazitäten

• Externe Modelle für lokale Risiken und Kunden nicht wirksam

Durch die Konfiguration aller Risiken in die AutoML-Lösung von Sygno können Genossenschaftsbanken die Abdeckung ihrer lokalen Risikobedürfnisse sicherstellen, wodurch das generierte Modell relevant und effektiv für die Einhaltung ihrer regulatorischen Standards wird. Die Integration dieser Modelle in bestehende Transaktionsmonitoring-Systeme ermöglicht schnelle schnelle Ergebnisse ohne komplexe Migrationen und unterstreicht die Bedeutung der richtigen Logik zur Identifizierung verdächtiger Transaktionen. Dieses Modell unterstützt die Reduzierung von False Positives und die Erkennung weiterer ungewöhnlicher Transaktionen.