Καταπολέμηση του οικονομικού εγκλήματος το 2022 (Στιβ Μόργκαν)

Μεγάλο θέμα για αυτό Sibos (και τα περισσότερα προηγούμενα επίσης) είναι πώς να εξαλείψετε το οικονομικό έγκλημα χωρίς να διαταράξετε ή να υποβαθμίσετε τις εμπειρίες υψηλής ποιότητας υπηρεσιών για τους
η συντριπτική πλειοψηφία των ειλικρινών (και πολύ σημαντικών και πολύτιμων) πελατών.

Ως έχει, το οικονομικό έγκλημα εκτοξεύεται με τις τράπεζες να αντιμετωπίζουν όλο και περισσότερες προκλήσεις για την αποτελεσματική διαχείριση των κινδύνων. Αν και αυτή δεν είναι ακριβώς μια νέα τάση για τις χρηματοοικονομικές υπηρεσίες, η ταχύτητα με την οποία οι απατεώνες αλλάζουν τις τακτικές τους έχει ωθήσει τους οργανισμούς
να επανεξετάσουν τις διαδικασίες ασφαλείας και την ανταπόκρισή τους σε δόλιες δραστηριότητες. 

Πώς μπορούν λοιπόν οι τράπεζες να προχωρήσουν;

Οι ειδικοί στο οικονομικό έγκλημα έχουν συνηθίσει να εφαρμόζουν μηχανές κανόνων για τον εντοπισμό περιπτώσεων, ενώ όλο και περισσότερο η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση βελτιώνουν περαιτέρω τον εντοπισμό και τη διαχείριση. Εφαρμογή τεχνητής νοημοσύνης και μηχανικής μάθησης σε ειδοποίηση οικονομικών εγκλημάτων
Η διαχείριση οδήγησε σε σημαντικά αποτελέσματα, συμπεριλαμβανομένων μειώσεων στα ψευδώς θετικά αποτελέσματα, βελτιωμένης ανίχνευσης κινδύνου και αυξημένης αυτοματοποίησης σε κλίμακα.

Μια επιχειρησιακή πρόκληση είναι ο τρόπος με τον οποίο λειτουργεί η απάτη και τα οικονομικά εγκλήματα, που μερικές φορές λειτουργούν ανεξάρτητα εντός των χρηματοπιστωτικών εταιρειών. Αυτό το μοντέλο μπορεί να ήταν κατάλληλο πριν από χρόνια, όταν τα συστήματα απάτης και οικονομικού εγκλήματος ήταν ανόμοια και αντιμετώπιζαν ανάλογα,
αλλά οι τρέχοντες παράγοντες όπως τα κανάλια, οι ράγες πληρωμών και η αποκέντρωση έχουν θολώσει τη γραμμή μεταξύ απάτης και οικονομικών εγκλημάτων. 

Τα τελευταία χρόνια, τα χρηματοπιστωτικά ιδρύματα έχουν επενδύσει πολλά σε βελτιωμένα συστήματα παρακολούθησης ανίχνευσης, εκμεταλλευόμενοι τις δυνατότητες των FinTech που ειδικεύονται στην τεχνητή νοημοσύνη και τη μηχανική μάθηση. Αυτή η τάση είναι ένα χαρακτηριστικό παράδειγμα χρηματοπιστωτικών ιδρυμάτων
ενσωματώνοντας μια καλύτερη προσέγγιση που συνδυάζει επενδύσεις σε παλαιού τύπου συστήματα με νεότερες τεχνολογίες που βασίζονται στην τεχνητή νοημοσύνη. 

Το μεγάλο ερώτημα που πρέπει να τεθεί είναι πώς οι τράπεζες εντοπίζουν και σταματούν αποτελεσματικά τα προγράμματα νομιμοποίησης εσόδων από παράνομες δραστηριότητες χωρίς να χαλούν την εμπειρία εξυπηρέτησης πελατών για τους πελάτες; Το κλειδί είναι να παραμείνετε ευκίνητοι. Είναι καλό να υπάρχουν οι σωστές τεχνολογίες, αλλά τι είναι
εξίσου σημαντικό είναι να μπορούμε να μετράμε ένα περιστατικό με ακρίβεια και αποτελεσματικότητα. Ενώ κανένας δεν θέλει να εκτεθεί σε απάτη, είτε πελάτης είτε τράπεζας, είναι σημαντικό η εμπειρία του πελάτη να μην υποφέρει εις βάρος της. 

Αυτό που μπορείτε τελικά να κάνετε είναι να κατευθύνετε ό,τι μπορείτε στο σωστό άτομο, να διατηρείτε τον πελάτη ενημερωμένο και να ελαχιστοποιείτε τις απώλειές σας τόσο από την πλευρά του πελάτη όσο και από την πλευρά της τράπεζας. Ο αγώνας για αποτελεσματικότητα και αποδοτικότητα αυξάνεται ακόμη περισσότερο αν σκεφτείτε
τα αποτελέσματα των ανόμοιων συστημάτων ανίχνευσης με διαφορετικά επίπεδα αυτοματισμού στις ροές εργασιών διαχείρισης υποθέσεων. Αυτό δεν παρέχει μια εναρμονισμένη εμπειρία χρήστη για τους τραπεζικούς υπαλλήλους που είναι υπεύθυνοι για αυτά τα αποτελέσματα. 

Καθώς τα χρηματοπιστωτικά ιδρύματα συνεχίζουν να προσπαθούν να μειώσουν το λειτουργικό κόστος, η έκθεση στον κίνδυνο δεν μπορεί να θυσιαστεί στη διαδικασία. Είτε οι μονάδες διερεύνησης λειτουργούν σε χερσαία, χερσαία/υπεράκτια ή σε κάποια άλλη βάση υβριδικού μοντέλου, ο στόχος είναι να
απευθύνετε μια ειδοποίηση ή/και μια υπόθεση στον αναλυτή και/ή τον ερευνητή που ταιριάζει καλύτερα για την πολυπλοκότητα, τον κίνδυνο ή άλλους παράγοντες. Αυτό επιτρέπει στις επιχειρήσεις να διαχειρίζονται σωστά τον κίνδυνο ενώ ελέγχουν το λειτουργικό κόστος.