Het digitale tijdperk heeft KYC-analisten een ongekende toegang gegeven tot een overvloed aan informatie over individuen en bedrijven. Krantenartikelen, online blogs en sociale media zijn met één klik toegankelijk en filterbaar en kunnen belangrijk nieuws over een klant van een financiële instelling onthullen. Echter, data-overload, onvolledige en onbevestigde informatie, en nepnieuws hebben de analyse van adverse media tot een last gemaakt voor compliance-afdelingen, wat het tijdperk van kunstmatige intelligentie en machine-learning voor klantscreening heeft ingeluid.
Adverse media-checks, ook wel negatieve nieuwscontroles genoemd, is het proces van het screenen van een klant (individu of bedrijf) van een financiële instelling tegen nieuwsartikelen, juridische vervolging of soortgelijke inhoud die het uiteindelijke risico van de klant kan beïnvloeden door hun betrokkenheid bij witwassen, terrorisme, fraude, belastingontduiking of andere soorten misdrijven te onthullen.
Deze inspectie begint vanaf het begin van de zakelijke relatie en maakt deel uit van de doorlopende klantrisicobeoordeling zoals uiteengezet in KYC/CDD-regelgeving die alle financiële instellingen moeten naleven. Het doel is om eventuele potentiële bedreigingen van criminelen die de financiële diensten van de instelling willen gebruiken, te beperken, de transparantie van elke transactie te waarborgen, de reputatie van de instelling te beschermen, juridische gevolgen te voorkomen en de financiële markten te beschermen tegen misbruik.
Het resultaat van de analyse kan leiden tot het niet-accepteren van de klant, het verhogen van het risico van een klant, het indienen van een SAR, of het beëindigen van de relatie met de klant.
Wat is de wetgeving achter adverse media?
In de internationale sfeer identificeert de Financial Action Task Force (FATF) in haar Risk-Based Approach Guidance adverse media-zoekopdrachten als onderdeel van Enhanced Due Diligence (EDD)-praktijken met betrekking tot individuele klantrisicobeoordeling. De Wolfsberg Group stelt een soortgelijk concept voor in haar Correspondent Banking Due Diligence Questionnaires, waardoor negatieve nieuwscontrole een onderdeel wordt van de risicogebaseerde aanpak voor sectoren of groepen die een hoger risico vormen voor financiële instellingen, zoals correspondent banking en politiek prominente personen (PEP's).
In Europa verscheen het concept van negatief nieuws voor het eerst in de 4e Anti-witwasrichtlijn, 4AMLD van 20 mei 2015. Het beschrijft de noodzaak om te screenen op adverse media als onderdeel van het EDD-proces en moet ook worden toegepast wanneer er een toename is van de hoeveelheid informatie die nodig is voor Customer Due Diligence (CDD)-doeleinden.
In de Verenigde Staten stelt FinCEN's definitieve regelcommentaar van haar Customer Due Diligence Requirements for Financial Institutions dat financiële instellingen risicogebaseerde procedures moeten ontwikkelen om te bepalen of aanvullende screening, met name "negatieve media-zoekprogramma's", passend zou zijn.
Welke bronnen worden gebruikt voor negatieve nieuwscontrole?
Negatief nieuws kan worden afgeleid uit een verscheidenheid aan officiële nieuwsbronnen of ongestructureerde gegevensbronnen zoals sociale media, internetfora of databases. Het is echter altijd belangrijk om de kwaliteit, geloofwaardigheid en onafhankelijkheid van de bron die u gebruikt te controleren om het risico van het gebruik van bevooroordeeld, gedeeltelijk of nepnieuws te vermijden. Nieuwsartikelen bieden niet alleen elementen over een enkel individu of bedrijf, maar kunnen ook de namen presenteren van directe of indirecte connecties met andere individuen of bedrijven die een bedreiging kunnen vormen voor de financiële instelling.
De bronnen die worden gebruikt voor adverse media-screening kunnen talrijk zijn en zijn afhankelijk van de doelstellingen van de sector. De bronnen variëren van primaire zoekmachines tot andere officiële documenten, sociale media en alle aanvullende informatie die nauwkeurige informatie kan bieden om het doel van het onderzoek te dienen.
Hoe handmatig zoeken naar negatief nieuws?
De meest gebruikelijke manier om handmatig te zoeken naar negatief nieuws met betrekking tot een klant is om de naam van de persoon of het bedrijf (of acroniem) in een zoekmachine in te voeren. Verschillende zoekmachines, zoals Google, bieden een functie waarmee men uitsluitend nieuwsartikelen kan verkennen. Zodra, en als, een nieuwsbericht wordt gevonden, zullen de compliance-analisten het beoordelen en kruiscontroles uitvoeren met de persoonlijke informatie van de klant om te bepalen of het artikel een echte hit is met potentiële impact of een fout-positief.
Handmatige zoekopdrachten zijn echter tijdrovend en moeizaam. De enorme hoeveelheid informatie op internet staat een nauwkeurig en grondig onderzoek niet toe. Het kan als ineffectief worden beschouwd omdat mediabronnen kunnen worden gemist, artikelen in verschillende talen kunnen zijn die de analist niet kent of niet in overweging neemt, en bepaalde bronnen beperkte toegang kunnen hebben. Dit is moeilijk vol te houden als de financiële instelling snel groeit en dagelijks nieuwe klanten toevoegt.
Naar schatting wordt er dagelijks 2,5 exabyte aan data gecreëerd. Dat is 1 miljard gigabyte of het equivalent van elke dag 15.625.000 nieuwe smartphones met 64GB geheugen in uw handen hebben.
Hoe kunnen geautomatiseerde tools helpen bij het detecteren van adverse media?
Software die is afgestemd op de behoeften van de financiële instelling kan het proces van negatieve nieuwscontrole automatiseren, waardoor de tijd die nodig is om naar mediacontent te zoeken wordt verminderd en de nauwkeurigheid van echte hits wordt verhoogd.
Veel geautomatiseerde tools bieden wereldwijde, samengestelde content die realtime feedback kan geven en regelmatig wordt bijgewerkt. Ze maken ook het genereren van rapporten en statistieken mogelijk over het aantal echte hits voor de gescreende klant(en) met slechts één klik op de knop. Bepaalde tools bieden beheerfuncties voor het beoordelen en waarderen van de informatie die in de software wordt verstrekt. Screening kan ook worden ingesteld om automatisch te draaien op een precies tijdstip, tijd of datum, wat de analist meer vrijheid geeft.
Verschillende risico's die aan klanten zijn verbonden, worden vaak waargenomen tijdens het KYC/CDD-proces, zowel in de onboarding- als de reviewfase, dankzij geautomatiseerde tools.
Ondanks de talrijke voordelen kunnen adverse media-screeningtools duur en moeilijk in te stellen zijn, omdat parameters moeten worden ingesteld, drempels moeten worden aangepast (te groot kan leiden tot een overvloed aan valse hits, terwijl te klein belangrijke artikelen kan uitsluiten), wanneer geautomatiseerde controles moeten worden uitgevoerd, welk gewicht aan welke trefwoorden moet worden gegeven en welke bronnen moeten worden gebruikt.
Het inhuren van een consultant om te helpen bij het opzetten van de negatieve nieuws-screeningtool van uw financiële instelling ontlast u van de last om het zelf te doen en biedt jarenlange expertise op het gebied van het minimaliseren van fout-positieven.
Wat is de toekomst van adverse media-screeningtools?
Softwareontwikkelaars zijn begonnen met het integreren van kunstmatige intelligentie, machine-learning en natuurlijke taalverwerking in hun adverse media-screeningtools voor verhoogde prestaties en ongeëvenaarde precisie. Machine-learning, een reeks computeralgoritmen die kunnen verbeteren door ervaring, kan nu artikelen scannen met ongelooflijke snelheden en met een diepte en nauwkeurigheid die ongeëvenaard is in vergelijking met andere standaard geautomatiseerde tools.
Kunstmatige intelligentie kan in een artikel beoordelen of de naam van een individu of een bedrijf betrokken is bij een misdrijf of gewoon wordt genoemd in de nieuwsbron. Alleen al op basis van de taal van het artikel kan het ook de algemene sentiment afleiden die het probeert uit te drukken, wat betekent of de persoon die in het artikel wordt genoemd, betrokken is bij iets negatiefs of positiefs, en hoe negatief de bewoording en uitdrukking is.
De nieuwe tools scheren ook niet alleen de oppervlakte van mediabronnen, maar graven diep in het open web, deep web en allerlei soorten gestructureerde en ongestructureerde content. Natural language processing (NLP), een subveld van kunstmatige intelligentie dat grote hoeveelheden natuurlijke taaldata kan analyseren, is in staat om nieuws in andere talen vast te leggen dat onmogelijk zou zijn als het zowel handmatig als met traditionele geautomatiseerde tools wordt gedaan.
De software van de toekomst, die al in productie is, zal een unieke kracht hebben in het vastleggen van adverse media-content over individuen en bedrijven, waardoor handmatige zoekopdrachten en klassieke geautomatiseerde tools verouderd raken en de prestaties van compliance-afdelingen toenemen.
Wat is «fuzzy matching»?
Fuzzy matching is een functie van veel geautomatiseerde negatieve nieuws-screeningtools die het mogelijk maakt om alle naamvariaties en spelfouten van individuen en bedrijven op te vangen, bijvoorbeeld Elizabeth, Elisabeth of Elsbeth. Het is nuttig voor financiële instellingen die klanten hebben met namen in een andere taal die kunnen variëren afhankelijk van het gebied waar ze vandaan komen. Een voorbeeld hiervan zijn Arabische namen die vaak variaties hebben zoals het gebruik van "bin" of "ben" voor hun achternaam.
Hoe kunnen financiële instellingen hun screening van negatief nieuws verbeteren?
Er zijn een aantal acties die financiële instellingen kunnen ondernemen om hun screening van adverse media te verbeteren. Hieronder volgen enkele tips:
1. Beleid voor negatieve nieuwscontrole - het opstellen van een goed gedefinieerd beleid kan de effectiviteit van het screeningproces verhogen en tijdverspilling verminderen. Het moet identificeren wie moet worden gescreend, door wie en hoe vaak; het moet de verschillende bedrijfslijnen coördineren, de procedure definiëren voor escalatie van echte hits en de acties die moeten worden ondernomen na de analyse van een echte hit (bijvoorbeeld het schrijven van een SAR of het beëindigen van de relatie met de klant).
2. Geautomatiseerde tools - financiële instellingen moeten investeren in een geautomatiseerde tool, omdat dit tijd bespaart, nauwkeuriger is dan handmatige zoekopdrachten en automatisch rapporten genereert.
3. Booleaans internetzoeken - als een financiële instelling voorlopig niet kan investeren in een geautomatiseerde tool, betekent dat niet dat het zijn klanten niet moet screenen op negatief nieuws. Een Booleaans internetzoeken maakt het mogelijk om de naam van een individu of bedrijf te combineren met trefwoorden die verband houden met negatief nieuws met behulp van AND of OR om een string te maken. De trefwoorden kunnen "witwassen" of "fraude" omvatten. Het is een vorm van handmatig zoeken. Men moet er echter rekening mee houden dat de meeste zoekmachines een limiet stellen aan de lengte van de zoekopdracht, wat betekent dat variaties van de trefwoorden kunnen worden uitgesloten van de string (bijvoorbeeld fraude en frauduleus).
4. Kwaliteit van klantgegevens - als uw financiële instelling investeert in een geautomatiseerde tool, zorg er dan voor dat uw klantgegevens up-to-date en volledig zijn. De software zal die informatie gebruiken bij het screenen tegen externe databases met negatief nieuws. Het verrijken en verhogen van de kwaliteit van klantgegevens stelt de tool in staat om de kwaliteit van de matchingresultaten te verbeteren.
