Perché il monitoraggio del rischio deve evolvere
Si parte dai tre limiti delle soluzioni attualmente in uso in molte realtà per combattere i crimini finanziari:
• l’elevato numero di falsi positivi, che disperde le energie delle risorse a disposizione, spesso già esigue;
• la manualità di molte procedure di indagine, che allungano i tempi di investigazione di ogni evento segnalato;
• l’approccio a “black box”, che non consente cioè di conoscere e modificare i criteri con cui vengono analizzate le transazioni, rendendo molto difficoltoso il loro aggiornamento di fronte alla continua evoluzione delle strategie criminali.
1. Falsi positivi e accuratezza
Per quanto riguarda l’accuratezza degli alert, e quindi il problema dei falsi positivi, il machine learning può evidentemente aiutare per la sua capacità di apprendere dai dati storici come individuare transazioni, clienti, fornitori o altri soggetti che presentano caratteristiche anomale o rischiose. La combinazione di algoritmi di apprendimento supervisionato e non supervisionato permette sia di garantire accuratezza rispetto ai modelli di frode incontrati in passato sia di adattarsi al cambiamento e individuare tecniche innovative di attacco.
Il livello di soglia oltre cui fare scattare un alert è personalizzabile sulla base di analisi what-if. Un elemento chiave di questa strategia dipende ovviamente dalla definizione di anomalia e il machine learning permette di semplificare la comprensione dei legami e delle correlazioni tra eventi, considerando il rischio con una prospettiva più ampia. Il modello potrà essere validato a ogni analisi, segnalando eventuali errori per apportare modifiche e miglioramenti.
2. Manualità e tempi di indagine
Snellire i tempi di investigazione degli alert è un obiettivo ambizioso e importante nel contrasto ai crimini finanziari in azienda. La visione di TIBCO passa per un’alimentazione in real time del software di streaming analytics, che analizza in tempo reale ogni transazione. ogni caso può essere indagato con diversi livelli di approfondimento, consentendo anche di identificare eventuali colli di bottiglia nel processo, oppure fasi che potrebbero essere automatizzate. Grazie a questa analisi è anche possibile individuare incoerenze o errori nel modo in cui gli addetti seguono le procedure, migliorando la qualità del modello di investigazione.
3. Trasparenza e modifiche
Ultimo vantaggio: superare l’approccio “black box”. Tutte le parti fondamentali del motore di analisi e classificazione degli eventi sono aperte: il business può così sperimentare nuove funzionalità grazie a una dashboard user friendly e visualizzarne gli effetti. Gli algoritmi che compongono i modelli (supervisionato e non) possono essere consultati anche da una utenza non tecnica, mentre i data scientists possono personalizzarli con modifiche o con una revisione più ampia dell’approccio utilizzato.
Per approfondire il tema con gli esperti di TIBCO e scaricare il white paper “Busting Financial Crime with TIBCO”, puoi compilare il form qua sotto.
{chronoforms5}white_paper_mail_10{/chronoforms5}
