Einstellungen für Cookies und Datenerfassung

Wir setzen auf unserer Website technisch notwendige Cookies ein. Diese sind dazu da, um die Sitzung aufrecht zu erhalten sowie Ihre Angabe zu dieser Hinweisfunktion für diese und weitere Sitzungen zu speichern. Sie können diese Cookies in Ihren Browsereinstellungen kontrollieren und verwalten.

Bitte entscheiden Sie darüber hinaus, welche weiteren Cookies sie zulassen wollen:

Cookies für Statistik:  Wir nutzen Google Analytics, um die Zugriffe auf unserer Website zu analysieren und damit das Angebot zu verbessern. Dazu werden Daten zur Website-Nutzung anonymisiert an Google übertragen.

Mehr Informationen finden Sie auf den Seiten Impressum und Datenschutz, wo Sie diese Einstellung auch später wieder ändern können.

Machine Learning in Compliance: So optimieren Banken und Finanzdienstleister das Screening von Kunden und PEPs im KYC-Prozess

In den vergangenen zwei Jahrzehnten hat die Compliance-Funktion in Banken an Bedeutung deutlich hinzugewonnen. Dies ist nicht zuletzt vor dem Hintergrund der zahlreichen Geldwäscheskandale und Embargo- bzw. Sanktionsregimes zu verstehen. Im Hinblick auf die Prävention von Geldwäsche und Terrorismusfinanzierung haben sich inzwischen auch quantitativ orientierte Herangehensweisen etabliert, insbesondere auch der risikobasierte Ansatz, der bereits 2007 von der Financial Action Task Force (FATF) empfohlen und 2014 für den Bankensektor konkretisiert wurde.

Unser Whitepaper gibt zunächst einen knappen Überblick zum Thema ML, bevor die konkreten Ansätze, die für den Anwendungsfall im Name Matching relevant sind, in kurzer Form vorgestellt werden. Anschließend werden der konkrete Anwendungsfall und die Erkenntnisse aus dem damit verknüpften Projekt dargestellt. Eine kurze Zusammenfassung bildet den Abschluss.