Банковское обозрение

Финансовая сфера


  • Почему в российских банках одинаковый KYC и такой разный AML
16.10.2020 Best-practice
Почему в российских банках одинаковый KYC и такой разный AML

Термины KYC и AML стали привычными для российских банкиров. Но технологические процессы, скрытые за этими понятиями, могут разниться. Цель у них одна: быстро оценить особенности бизнеса клиента и его окружения, сопоставить с транзакционным поведением в банке и проанализировать критерии риска. Чем полнее картина, тем больше плечо управления риском по клиентской базе банка. Разработчики ПО в «Контуре» проанализировали подходы банков при выполнении комплаенс-процедур


Чтобы выполнять требования KYC, банки все охотнее интегрируют API разных сервисов, которые «подтягивают» в информационный контур банка сведения о клиентах как из официальных, так и из неофициальных источников. Для этого, как правило, используют специальные сервисы («Контур.Фокус», «СПАРК» или похожие системы). Данные нужны банкам для скоринга клиентов и мониторинга рисковых событий. Во всех банках KYC-процесс организован примерно одинаково.

Для соблюдения AML каждый банк выстраивает систему онлайн- и офлайн-контроля банковских операций с помощью собственных или сторонних сервисов. В этой части комплаенс-процедур наблюдаются существенные различия. Банки, обладающие IT-лабораториями, соединяют данные о клиенте с данными о его транзакциях. В результате возникает новый объект контроля. Например, соотношение назначения платежа с видом деятельности сторон в сделке, датой их регистрации, объемом бизнеса, регионом регистрации и информацией на сайте. Такой подход позволяет автоматически отследить необычные ситуации. 

К примеру, клиент банка, который занимается оптовой торговлей напитками, вдруг направляет существенную сумму за строительно-монтажные работы контрагенту, у которого нет соответствующего ОКВЭД. Возникает подозрение. Дополнительная информация о размере уставного капитала, количестве сотрудников и дате открытия счета помогает вынести аргументированное профессиональное суждение.  

Что мешает выстроить AML-процедуры

Для средних и малых игроков рынка подобные системы анализа доступны в усеченном масштабе. Почему же построение качественных AML-систем вызывает сложности? Эксперты Контура выделили три основных фактора.

1. Недоступность машинного обучения (Machine learning) для банков без собственных IT-лабораторий. Без этого инструмента отследить признаки транзитных операций — ломку или маскировку назначения платежа, нестандартные операции — можно только вручную. Машинное обучение позволяет отнести назначение платежа к определенной категории, сопоставить с KYC-характеристиками отправителя и получателя платежа, структурой их доходных и расходных операций.

 

 

Чтобы автоматизировать поиск наиболее сложных сомнительных схем — «Транзит» и «Ломка НДС», используют сразу несколько методов машинного обучения. К примеру, статья «Хозяйственные расходы по счету клиента» — совсем небольшой элемент анализа. Расходы, связанные с хозяйственной деятельностью, невозможно выделить по номеру счета или другим однозначным параметрам. Необходим анализ множества вариантов текста назначения платежей клиента в связке с видом деятельности.

2. Огромное количество данных для анализа. Для качественного ML нужны полнота и разнообразие данных. Например, в одном региональном банке клиенты маскируют назначение платежа с помощью сокращений слов, а в другом используют английский алфавит. При переходе из банка в банк клиент вносит новую «культуру» маскировки платежа, которая долго не распознается стандартными методами контроля. Чтобы достичь приемлемой точности метода на базе Machine learning, нужно вручную разметить тысячи или даже десятки тысяч транзакций клиентов разных банков.

3. Небольшое количество специалистов, качественно владеющих приемами машинного обучения. Как правило, они работают на крупных игроков рынка, у которых сформирован бренд и предусмотрен большой бюджет.

Как будет развиваться рынок AML-решений

К концу 2020 года KYC-составляющая комплаенса будет реализована на сопоставимом уровне и доступна всем российским банкам. На уровень AML-составляющей в большей степени влияют финансовые возможности участников рынка, поэтому у небольших игроков преобладает неглубокая автоматизация процесса. На фоне повышенного внимания регулятора к средним и малым банкам создается несоответствие ресурсов и требований в части комплаенса.

Эксперты Контура по комплаенс-технологиям считают, что 2021-2022 годы пройдут под эгидой развития искусственного интеллекта в сфере банковских AML-решений. Основными игроками рынка будут производители АБС-систем и IT-компании с опытом агрегации данных и развитой ML-культурой. Таким образом, инвестиции малых и средних банков в развитие собственного AML вряд ли смогут обеспечить уровень качества, сопоставимый с агрегированными решениями.