Customer Due Dilligence automatisering: bedreiging of kans?

Risk & Compliance – 2 juli 2020 door Fons Vaneker

Een steeds groter deel van het werk in de Customer Due Dilligence wordt geautomatiseerd. Op betrekkelijk korte termijn wordt de UBO Check volledig met behulp van Artificial Intelligence (AI) gedaan. Over een paar jaar wordt de scan van externe nationale systemen ook voor een groot deel zonder menselijke handelingen afgerond. In deze blog geven we een antwoord op de vraag: wat voor invloed heeft dit op de werkgelegenheid in de Customer Due Dilligence?

De (on)mogelijkheden van CDD-automatisering

Voor een volledige automatisering van Customer Due Dilligence is een enorm pakket aan systeemkoppelingen met in- en externe systemen nodig, internationaal en nationaal. De beperking van de mogelijkheden op ICT-gebied op dit vlak bepaalt mede de grenzen van de CDD-automatisering.

Kortom: de eerder genoemde UBO Check is volledig te automatiseren, zolang alle gegevens bekend zijn bij de bank. Hetzelfde geldt voor data die afkomstig is uit gekoppelde bronnen, zoals bijvoorbeeld gegevens van de Kamer van Koophandel. Een eerste goed stap om met volledige data te kunnen werken is op Europees niveau gemaakt per 1 januari van dit jaar. Het UBO-register verplicht Europese ondernemingen om hun eigenaren in te schrijven in een centraal register. Maar systeemkoppelingen met Niet-Europese overheidssystemen op grote schaal: dat lijkt voorlopig nog niet aan de orde te zijn.

In de praktijk kan de interbancaire samenwerking op gebied van data-uitwisseling bovendien veel beter. In de dagelijkse praktijk lopen CDD-analisten nu vaak tegen problemen op wanneer verschillende partijen bij verschillende banken zaken doen. Een machine lost dit probleem niet op. Een verregaande samenwerking is nodig om de data-uitwisseling te optimaliseren voor processen volledig kunnen worden geautomatiseerd. Overigens worden er door banken al hele goede stappen gezet op samenwerkingsgebied. Getuige bijvoorbeeld de gezamenlijke aankondiging van ABN Amro, ING, Rabobank, Triodos Bank en de Volksbank om nauwer samen te gaan werken op gebied van de bestrijding van financiële criminaliteit, september van afgelopen jaar.

De (on)mogelijkheden van de automatisering van transactiemonitoring

Transactiemonitoring is een integraal onderdeel van het CDD-proces. We gebruiken dit deelproces om de basis van automatisering kort toe te lichten.

Het scannen van transacties en de daarbij behorende omschrijving levert steeds meer resultaten op waarbij AI uiteindelijk vaststelt of er een vreemd patroon zichtbaar is. De AI scan heeft drie mogelijke uitkomsten:

  • Ik vind iets niet vreemd (transactie is niet vreemd);
  • Ik vind het vreemd (transacties is vreemd);
  • Ik weet het niet (ik weet niet of deze transactie vreemd is).

Wanneer de AI in 100% van de gevallen optie 1 of 2 als resultaat geeft is het proces volledig geautomatiseerd. Dit is overigens niet hetzelfde als geslaagd geautomatiseerd, maar op dat onderscheid komen we terug verderop in deze blog. Bij optie 3 trekt de AI geen conclusie. Een medewerker van vlees en bloed stelt in dat geval vast of een transactie afwijkt van de norm. Het terugdringen van optie 3 gebeurt op basis van Machine Learning. Wanneer de AI genoeg voorbeelden heeft om altijd een conclusie te kunnen trekken blijven er dus minder twijfelgevallen over die alsnog door een persoon gecontroleerd moeten worden.

Omdat 99% van de transacties niet afwijkt van het patroon vindt er een natuurlijke automatisering plaats door Machine Learning. Immers: wanneer de machine niet langer twijfelt over afwijkingen, worden er meer transacties goedgekeurd, en is er dus minder handwerk nodig bij transactiemonitoring.

Invloed van automatisering op CDD-functies

Internationaal opereren is door de toegenomen digitalisering een stuk eenvoudiger geworden voor bedrijven. De globalisering heeft ervoor gezorgd dat de hoeveelheid werk op het gebied van CDD alleen maar is toegenomen en blijft toenemen. Hetzelfde geldt voor het aantal transacties. Het aantal betalingen in Nederland is volgens cijfers van DNB en de Betaalvereniging Nederland tussen 2010 en 2019 van 2,15 naar 4,7 miljard toegenomen. Het aantal transacties blijft de komende jaren een stijgende lijn vertonen. En daarmee ook het aantal handelingen dat moeten worden verricht, zij het door een machine of door een mens.

De relatie tussen CDD en TM bepaalt mede hoe groot de invloed van de automatisering gaat zijn: een goede analyse van het risicoprofiel van klanten is immers nodig voor een effectieve transactiemonitoring.

Zowel op het gebied van CDD als transactiemonitoring bepaalt de leercurve van Machine Learning hoe snel de automatisering zich ontwikkelt. Wanneer de AI nooit meer de conclusie “Ik weet het niet” trekt is de automatisering volledig ontwikkeld. Maar: dat wil niet zeggen dat de automatisering ook 100% geslaagd is. AI heeft immers geen zelfreflectie: dat de AI op basis van beleid vaststelt dat iets vreemd is wil niet zeggen dat dit ook daadwerkelijk zo is. Het bewaken van de datakwaliteit die als input dient voor deze patronen en het doorlopend finetunen van de speelruimte van de AI om data als verdacht te bestempelen blijft dus nodig. Ook wanneer de AI in alle gevallen een conclusie trekt.

Kansen die de CDD-automatisering biedt

Als junior CDD Analist instappen is op dit moment nog steeds een keuze waarmee je veel kansen hebt én krijgt op de arbeidsmarkt. Het geeft je een sterke basis om een CV op te bouwen waarmee je in de toekomst zeker een toegevoegde waarde hebt voor je werkgever. Maar het is wel belangrijk om je bewust te zijn van de ontwikkelingen op gebied van automatisering en robotisering. En om na te denken over de twee meest voordehand liggende toekomstscenario’s. Welke past het beste bij jou?

Scenario één: omscholen tot dataprofessional

De groei van data gerelateerde functies zet verder door. Machine Learning heeft begeleiding nodig. Het aantal datafuncties op CDD-afdelingen groeit en deze trend zet zich de komende jaren zeker door. Voor CDD-analisten is dit net zo goed een kans als een bedreiging. Je hebt bewezen een bovengemiddeld analytisch vermogen te hebben, dus aangevuld met kennis van relevante programmeertalen als Python liggen de uitdagingen voor het oprapen!

Scenario twee: specialiseren!

De CDD-analist die absoluut zijn eigen vak wil blijven beoefenen is minder snel geneigd tot omscholing. In dat geval is specialiseren in bepaalde doelgroepen het advies. Er blijven menselijke kwaliteiten die een machine niet heeft die zelfs in de toekomst altijd een rol blijven spelen in het proces. Met name bij hoog risicoprofielen zal er altijd input van mensen nodig zijn om te concluderen: heeft deze klant echt wat op zijn kerfstok? Of wijzen de signalen in die richting maar is er eigenlijk niets vreemds aan de hand? Specialiseren en je meerwaarde kennen dus. Wanneer je met de machine samenwerkt, heb je van de automatisering niets te vrezen!