Provedores de serviços financeiros investiram 110 bilhões de dólares no combate a lavagem de dinheiro, mostra estudo da Accenture

Salvador, 08/11/2019 – As empresas do setor financeiro conhecem bem a luta contra o crime financeiro. Estudo da Accenture indica que provedores de serviços financeiros investiram 110 bilhões de dólares em um ano em esforços de combate à lavagem de dinheiro (AML) e no atendimento aos requisitos de AML.

Para essas empresas, a construção de uma abordagem de conformidade para crimes financeiros que usa as tecnologias da nova era – incluindo inteligência artificial (IA) e automação cognitiva – é uma forma de melhorar o investimento no combate ao crime.

Uma instituição global usou recursos de Machine Learning (ML), Natural Language Processing (NLP) e outras formas de automação inteligente para reformular suas funções de KYC (Know Your Customer – traduzido como “conheça seu cliente”). Entre os ganhos, foi registrada uma queda de 80% no tempo de integração de clientes comerciais. Outro banco de atuação global notou uma queda de 20% no volume de alertas sem impacto no apetite de seus clientes por risco.2

Os dados comprovam que a automação inteligente pode fazer a diferença nos negócios e que uma abordagem de conformidade de crimes financeiros combinada ao uso da automação inteligente pode resultar em benefícios como investigações de maior qualidade, menos falso positivos, menores custos operacionais e maior eficiência geral.

A Accenture teve acesso a inúmeros casos de sucesso nas seguintes áreas:

• Integração e atualização KYC

• Identificação de sanções e monitoramento de transações

• Investigação de sanções e monitoramento de transações

Conheça seu cliente (KYC)

Começando pelo KYC, o estudo da Accenture comprova que as empresas do setor financeiro podem se beneficiar da conformidade de crimes financeiros combinados à automação inteligente. A tecnologia certa pode resultar no aumento de eficácia em todas as etapas do processo KYC, desde a integração do cliente até a fase de due dilligence.

O estudo traz mais informações sobre como a automação inteligente pode melhorar as funções KYC:

• Integração de clientes – A integração das ações de gestão de relacionamento com clientes e de gestão do ciclo de vida do cliente cria eficiências operacionais que aperfeiçoam a criação de casos KYC.

• Análise de classificação de risco do cliente – A PNL ajuda as equipes a identificar a entidade de triagem; enquanto a resolução de correferência confirma o referenciamento da entidade. A rotulagem de funções semânticas ajuda a identificar suspeitos.

• ML para detectar atividades suspeitas – A automação inteligente ajuda a identificar padrões emergentes de lavagem de dinheiro, oferecendo uma melhor visão do que é uma atividade suspeita ou não.

• Auto-fechamento e alerta de hibernação – Alguns alertas de risco baixo a médio podem ser fechados ou colocados em modo hibernação automaticamente. Se as atividades de um cliente acionarem um alerta, ele poderá ser categorizado como sendo de alto risco.

Investigação eficiente de alertas:

A investigação de alertas e monitoramento de transações tradicionais envolve uma revisão inicial para descontar alertas falso positivos. Se necessário, isso pode ser seguido por uma revisão detalhada do cliente, com o encaminhamento do caso para revisão adicional com a apresentação de um Relatório de Atividades Suspeitas ao regulador.

Nesse ponto, segundo o estudo, a automação pode ajudar com:

• Processamento de dados para criação de cases: Essa abordagem pode simplificar a captura de dados para a criação de cases. Os dados coletados podem ser categorizados e apresentados em formato visual (por exemplo, identificando transações discrepantes) e de forma automatizada para ajudar no processo de investigação.

• Análise de mídia: Técnicas de PNL, como reconhecimento de entidade nomeada, resolução de correferência, extração de relacionamento e rotulação de função semântica, podem identificar entidades e possíveis suspeitos. Esse tipo de abordagem, combinado a ferramentas e sistemas inteligentes, pode identificar padrões novos e alimentar modelos com essas informações, ajudando os investigadores a tomarem decisões melhores.

• ML para tomada de decisão: Embora as decisões finais envolvam julgamento humano, os algoritmos de ML podem revisar a atividade acionada para automatizar aspectos do processo de tomada de decisão, construindo modelos estatísticos que incorporam dados coletados e calculam a probabilidade de disposição das transações alertadas, seja para fechamento ou progressão.

• Natural Language Generation (NLG) para geração de narrativas: Para transações não relatadas (a maioria das transações), a NLG pode gerar uma narrativa de caso convertendo dados em breves resumos de caso. Esse é um dos aspectos mais desafiadores de todo o processo de investigação. É fundamental que as instituições financeiras se concentrem em segmentos de alerta que podem ser efetivamente processados por meio da NLG.