Med en explosiv datatillväxt, där miljarder datapunkter och behovet av snabba transaktioner kombineras med introduktionen av nya teknologier, har kraven på bankernas riskhantering förändrats radikalt. Trots detta använder många banker fortfarande samma riskmodeller som tidigare. En brist på samordning och oförmågan att orkestrera och berika både interna och externa datakällor skapar problem. Första steget till en lösning är en genomtänkt tillgång till data som möjliggör effektiv AI-användning och avancerad dataanalys, skriver Stephanie Ora på SAS Institute.
På banker och andra företag inom finanssektorn inser man att AI och avancerad dataanalys är centrala verktyg för att kunna hantera återkommande problem i verksamheten. Att motverka bedrägerier och penningtvätt är två exempel, riskhantering ett annat. Men det finns många utmaningar att övervinna för att moderna AI-lösningar och dataanalys ska nå sin fulla potential.
På ett organisatoriskt plan märks att olika avdelningar, som borde kunna samordna och därigenom effektivisera sina aktiviteter idag, ofta fungerar som silos åtskilda från varandra. Konsekvenserna av att arbeta i en silostruktur innebär bland annat att även om AI används och skapar värden inom respektive avdelning, kan det innebära att det inte finns någon enhetlig analys mellan avdelningarna.
Det kan även finnas olika AI- och analysverktyg tillgängliga inom banken som tenderar att vara underutnyttjade. De kan också ge motstridiga resultat eller leverera otillräckligt kommunicerade analyser. På så sätt riskerar organisationen att bli ett lapptäcke av olika analysresurser, som kan försvåra beslutsprocesserna. Medarbetarna behöver ofta tillgång till samma dataset och liknande analyser.
Här finns stor potential för synergier. Detta gäller både effektiviseringen av nuvarande aktiviteter och möjligheter till större precision och mer värdefulla insikter med hjälp av nya typer av analyser.
Trots att det finns en mängd insikter att hämta från en banks egna data, är externa datakällor som UBO-register (Ultimate Beneficial Owners), motpartsinformation, övervakningslistor och till och med blockchain-analyser värdefulla resurser för en heltäckande riskanalys. Deras betydelse kommer utan tvekan att öka avsevärt under de kommande åren.
Det är inte heller bara en teknisk fråga. Ägarskap för och tillgång till externa datamängder behöver klargöras. Det kräver inte bara externa kontakter utan också ett utökat internt samarbete. Riskteamen och teamen för finansiell brottslighet bör korsvis kommunicera händelser och analytiska insikter de stöter på för att uppnå effektivitet och potentiellt fatta snabbare och mer korrekta beslut, även om sådana avdelningar verkar separat. På så vis läggs grunden för en gemensam bild av ”sanningen”.
Ett konkret exempel på potentiellt samarbete finns inom kreditgivningsprocessen. Ur ett riskperspektiv behöver banker bedöma en kunds betalningsförmåga. Ur ett perspektiv av ekonomisk brottslighet, har svårare tider och räntehöjningar bidragit till en ökning av penningmålvakter och ansökningsbedrägerier. Något som i sin tur kan påverka noggrannheten i kreditbeslut.
Exemplet belyser hur datapunkter som kanske traditionellt inte används för specifika användningsområden, men som växer i betydelse för att kunna fatta korrekta beslut. Holistisk datahantering och tillämpning av enhetliga modeller i hela företaget är avgörande. Både för att förstå finansiell risk, men även för att bedöma risker för ekonomisk brottslighet.
Grunden för att lyckas är rätt tillgång till data tvärs igenom organisationen, data som är korrekt skött och “ägd”, så att alla som fattar beslut med hjälp av den kan göra det snabbt och korrekt.
/ Stephanie Ora, globalt ansvarig för analys av finansiell brottslighet, på SAS Institute.
