Aimez-vous les cookies? & # x1F36A; Nous utilisons des cookies, juste pour suivre les visites sur notre site web, nous ne stockons aucune donnée personnelle. En utilisant notre site, vous reconnaissez avoir lu et compris notre politique de cookie, notre politique de confidentialité et nos conditions d'utilisation.
L'ère numérique a donné aux analystes KYC un accès sans précédent à une pléthore d'informations sur les individus et les entreprises. Les articles de journaux, les blogs en ligne et les médias sociaux sont accessibles et filtrables en un clic et peuvent révéler des informations importantes sur la vie du client d'une institution financière. Cependant, la surcharge de données, les informations incomplètes et non confirmées, et les fausses news ont fait de l'analyse des médias négatifs un fardeau pour les services de conformité, inaugurant l'ère de l'intelligence artificielle et du "machine learning" pour le filtrage des clients.
Les contrôles médiatiques, également connus sous le nom de contrôles d'informations négatives, font partie du processus règlementaire qui consiste à contrôler le client d'une institution financière (personne physique ou morale) par rapport à des articles d'actualité, des poursuites judiciaires ou contenus similaires pouvant affecter le risque final du client en révélant son implication dans des scandales de blanchiment d'argent, terrorisme, fraude, évasion fiscale ou d'autres types de crimes.
Cette inspection commence dès le début de la relation commerciale et s'inscrit dans le cadre de l'évaluation continue du risque client décrite dans les réglementations KYC/CDD que tous les établissements financiers doivent respecter. L'objectif est d'atténuer les menaces potentielles que représentent les criminels qui veulent utiliser les services financiers de l'institution, de garantir la transparence de chaque transaction, de préserver la réputation de l'institution, d'éviter toute répercussion juridique et de protéger les marchés financiers contre les abus.
Le résultat de l'analyse peut conduire à la non-acceptation du client, à l'augmentation du risque du client, au dépôt d'une SAR ou à la cessation de la relation avec le client.
Quelle est la législation derrière le screening des médias?
Dans la sphère internationale, le Groupe d'action financière (GAFI) dans ses lignes directrices sur l'approche fondée sur les risques identifie les recherches de médias indésirables dans le cadre de la vigilance accrue (Enhanced Due Diligence) concernant l'évaluation des risques individuels des clients.
Le Groupe Wolfsberg propose un concept similaire dans son questionnaire sur les obligations de vigilance des banques correspondantes, faire du filtrage des informations négatives un élément de l'approche fondée sur le risque pour les secteurs qui présentent un risque plus élevé, tels que les correspondants bancaires et les personnes politiquement exposées (PPE/PEP).
En Europe, le concept de "negative news" est apparu pour la première fois dans la 4e directive anti-blanchiment, 4AMLD du 20 mai 2015. Il décrit la nécessité de dépister les infos indésirables dans le cadre du processus EDD et devrait également être appliqué en cas d'augmentation de la quantité d'informations nécessaires aux fins de la diligence raisonnable des clients (CDD).
Aux États-Unis, le commentaire du FinCEN sur la règle finale de ses exigences en matière de vigilance à l'égard de la clientèle pour les institutions financières stipule que les institutions financières devraient développer des procédures basées sur le risque afin de déterminer si un filtrage supplémentaire, en particulier des "programmes de recherche médiatique négatifs", serait approprié.
Quelles sont les sources du filtrage des informations négatives ?
Des "nouvelles négatives" peuvent être tirées de diverses sources d'information officielles ou de sources de données non structurées telles que les médias sociaux, les forums Internet ou les bases de données.
Cependant, il est toujours important de vérifier la qualité, la crédibilité et l'indépendance de la source utilisée afin de ne pas courir le risque d'utiliser des informations biaisées, partielles ou fausses.
Les articles de presse fournissent non seulement des éléments sur une seule personne ou entreprise, mais peuvent également présenter les noms de liens directs ou indirects vers d'autres personnes ou entreprises qui peuvent constituer une menace pour l'institution financière.
Les sources utilisées pour le filtrage des médias négatifs peuvent être nombreuses et dépendent des objectifs de l'industrie. Les sources varient des principaux moteurs de recherche aux autres documents officiels, aux médias sociaux et à toute information supplémentaire pouvant fournir des renseignements précis pour servir l'objectif de l'enquête.
Comment rechercher manuellement des nouvelles négatives ?
La façon la plus courante de rechercher manuellement des informations négatives concernant un client est de saisir le nom (ou l'acronyme) de la personne ou de la société dans un moteur de recherche. Divers moteurs de recherche, comme Google, offrent une fonction permettant d'explorer uniquement les articles d'actualité. Si un article est trouvé, les analystes de conformité l'examinent et le comparent avec les informations personnelles du client pour déterminer si l'article est une véritable correspondance avec un impact potentiel ou un faux positif.
Cependant, les recherches manuelles sont longues et ardues. Souvent le volume d'informations trouvé sur Internet ne permet pas une recherche précise et approfondie. Elle peut être considérée comme inefficace car les sources médiatiques peuvent être manquantes, les articles peuvent être dans différentes langues inconnues ou non prises en compte par l'analyste, et certaines sources peuvent avoir un accès limité. Cette situation est difficile à maintenir si l'institution financière se développe rapidement et ajoute de nouveaux clients chaque jour.
On estime que 2,5 exabytes de données sont créés quotidiennement. Cela représente 1 milliard de gigaoctets ou l'équivalent d'avoir 15.625.000 nouveaux smartphones avec 64 GB de mémoire dans les mains chaque jour.
Comment les outils automatisés aident à détecter les médias indésirables ?
Un logiciel adapté aux besoins de l'institution financière peut automatiser le processus de filtrage des nouvelles négatives, réduisant ainsi le temps nécessaire à la recherche de contenu médiatique et augmentant le taux de précision des véritables résultats.
De nombreux outils automatisés offrent un contenu global et actualisé en temps réel, qui est régulièrement mis à jour. Ils permettent également de générer des rapports et des statistiques concernant le nombre de véritables visites pour le(s) client(s) sélectionné(s) en un seul clic. Certains outils offrent des fonctions de gestion permettant d'évaluer et de noter les informations fournies par le logiciel. Le filtrage peut également être configuré pour s'exécuter automatiquement à une période, une heure ou une date précise, ce qui laisse plus de liberté à l'analyste.
Grâce à des outils automatisés, divers risques associés aux clients sont souvent perçus au cours du processus KYC/CDD, tant dans la phase d'intégration que dans la phase de révision.
Malgré leurs nombreux avantages, les outils de filtrage des médias indésirables peuvent être coûteux et difficiles à mettre en place car il faut définir des paramètres, ajuster les seuils (un seuil trop élevé peut entraîner une surabondance de faux résultats alors qu'un seuil trop bas peut exclure des articles importants), déterminer le moment où les contrôles automatisés doivent être effectués, le poids à accorder aux mots clés et les sources à utiliser.
Recruter un consultant pour vous aider à mettre en place l'outil de filtrage des informations négatives de votre institution financière vous libère du fardeau de devoir le faire vous-même et vous apporte des années d'expertise dans le domaine de la réduction des faux positifs au minimum.
Quel est l'avenir des outils de filtrage des médias négatifs ?
Les développeurs de logiciels ont commencé à intégrer l'intelligence artificielle, l'apprentissage machine et le traitement du langage naturel dans leurs outils de filtrage des médias hostiles, pour une performance accrue et une précision inégalée.
Le Machine learning ou l'apprentissage machine, un ensemble d'algorithmes informatiques capables d'améliorer l'expérience, permet désormais de scanner des articles à une vitesse incroyable et avec une profondeur et une précision inégalées par rapport aux autres outils automatisés standard.
L'intelligence artificielle est capable d'évaluer dans un article si le nom d'un individu ou d'une entreprise est impliqué dans un crime ou est simplement mentionné dans la source de l'information. En se basant uniquement sur le langage de l'article, elle peut également déduire le sentiment général exprimé, c'est-à-dire si la personne mentionnée dans l'article est impliquée pour quelque chose de négatif ou de positif, et dans quelle mesure le langage et l'expression sont négatifs.
En outre, les nouveaux outils ne se contentent pas d'effleurer la surface des sources médiatiques, mais s'enfoncent dans le web ouvert, le web profond et toutes sortes de contenus structurés et non structurés. "Natural language processing" (NLP), un sous-domaine de l'intelligence artificielle qui peut analyser de grandes quantités de données en langage naturel, est capable de saisir des informations dans d'autres langues, ce qui peut être impossible si cela est fait à la fois manuellement et avec des outils automatisés traditionnels.
Le logiciel du futur, qui est déjà en production, aura un pouvoir singulier pour capturer les contenus médiatiques négatifs concernant les individus et les entreprises, rendant obsolètes les recherches manuelles et les outils automatiques classiques, et augmentant la performance des services de conformité.
Qu'est-ce que le «fuzzy matching?»
Le Fuzzy matching est une caractéristique de nombreux outils automatisés de filtrage des nouvelles négatives qui permet de repérer toutes les variations de noms et les fautes d'orthographe de personnes et d'entreprises, par exemple Elizabeth, Elisabeth ou Elsbeth. Il est utile pour les institutions financières qui ont des clients dont le nom dans une langue différente peut varier en fonction de la région d'où ils viennent. C'est le cas par exemple des noms arabes qui comportent souvent des variantes telles que l'utilisation de "bin" ou "ben" avant leur nom de famille.
Comment les institutions financières améliorent le dépistage des negative news?
Il existe un certain nombre de mesures que les institutions financières peuvent prendre pour améliorer leur dépistage des médias négatifs. Vous trouverez ci-dessous quelques conseils :
1
Politique de filtrage des nouvelles négatives - la rédaction d'une politique bien définie peut accroître l'efficacité du processus de dépistage et réduire la perte de temps. Il doit identifier qui doit être contrôlé, par qui et à quelle fréquence ; il doit coordonner les différents secteurs d'activité, définir la procédure de remontée des résultats positifs et les mesures à prendre après l'analyse d'un résultat positif (par exemple, rédiger une demande de renseignements ou mettre fin à la relation avec le client).
2
Outils automatisés - Les institutions financières devraient investir dans un outil automatisé car il permet de gagner du temps, est plus précis que les recherches manuelles et génère des rapports automatiquement.
3
Recherche booléenne sur Internet - si, pour le moment, une institution financière ne peut pas investir dans un outil automatisé, cela ne signifie pas qu'elle ne doit pas filtrer ses clients pour détecter les informations négatives. Une recherche booléenne sur Internet permet de combiner le nom d'une personne ou d'une entreprise avec des mots-clés liés à des nouvelles négatives en utilisant AND ou OR pour créer une chaîne de caractères. Les mots clés peuvent inclure "blanchiment d'argent" ou "fraude". Il s'agit d'un type de recherche manuelle. Cependant, il faut savoir que la plupart des moteurs de recherche mettent une limitation de longueur de recherche ce qui signifie que des variations des mots clés peuvent être exclues de la chaîne (par exemple, fraude et frauduleux).
4
Qualité des données des clients - si votre établissement financier investit dans un outil automatisé, assurez-vous que les données relatives à vos clients sont à jour et complètes. Le logiciel utilisera ces informations lors de la vérification des bases de données externes d'informations négatives. L'enrichissement et l'amélioration de la qualité des données sur les clients permettront à l'outil d'améliorer la qualité des résultats de la comparaison.
This article is clear, professional and interesting. It really stimulates me to know more about ways to protect individual reputation even if it is not directly linked to financial analysis . I thank dr. Siggia for this important hint!
This article is full of informative. I can relate very well. Because I'm part of same profile. With one of blue chip company. For eg: Adverse Media Screening, Sanctions Screening, Financial Crimes etc.
Que sont les sanctions financières et les embargos ? Découvrez les pays considérés comme des paradis fiscaux ou des...
ComplianceMon 01 April 2019
Experts en gestion des risques et conformité réglementaire
Pideeco est un cabinet de conseil offrant des services juridiques, des solutions d’entreprise, une assistance opérationnelle et du matériel pédagogique aux professionnels du secteur financier.
Nous sommes basés à Bruxelles et nous sommes spécialisés dans les services de conformité réglementaire couvrant la zone euro.
Pideeco associe des connaissances professionnelles en matière de réglementation et une expertise technique pour protéger votre entreprise contre les risques de réputation et d’exploitation. Notre approche unique, centrée sur le client, nous aide à élaborer des solutions stratégiques légitimes et efficaces.
Travailler avec nous signifie atteindre des personnes complémentaires, ce qui permet une réflexion originale, une vision innovante.
This article is clear, professional and interesting. It really stimulates me to know more about ways to protect individual reputation even if it is not directly linked to financial analysis . I thank dr. Siggia for this important hint!
This article is full of informative. I can relate very well. Because I'm part of same profile. With one of blue chip company. For eg: Adverse Media Screening, Sanctions Screening, Financial Crimes etc.