Aujourd’hui, la lutte contre le blanchiment des capitaux et le financement du terrorisme conjuguée à la pression réglementaire, poussent les établissements financiers à revoir leurs priorités. Désormais toute leur attention se concentre autour de deux enjeux majeurs : l’identification des activités suspectes d’une part, et des anomalies en matière de conformité d’autre part. Pour éviter des pénalités pharaoniques, il existe des outils de contrôle. SAS Anti-Money Laundering (AML) est une solution capable de surveiller les risques connus, d’identifier les risques émergents, sur des volumes de données de plus en plus importants. Pour Nicolas, Data scientist, « la conception de la solution permet d’effectuer des analyses efficientes et approfondies des alertes ». Entretien.
Dans quelle mesure l’outil a la capacité d’anticiper des risques nouveaux ou potentiels ?
La nouvelle version de l’outil SAS Anti-Money Laundering permet d’effectuer des tests et déploiements rapides de scenarii dans la lutte anti-blanchiment (AML) au sein d’architectures big data. L’outil fournit des scenarii dits « standards » qui permettent de mettre en lumière un grand nombre de risques déjà connus tant au niveau du compte que du client et de déterminer si une action est suspecte ou non. Les capacités de visualisation permettent rapidement et avec précision d’identifier des schémas de risques émergents. Dès que les risques à couvrir ont été identifiés, il est possible d’effectuer une analyse approfondie et ainsi définir une stratégie de supervision.
Par ailleurs, comme la méthodologie est approuvée par le secteur bancaire pour la segmentation, la validation, l’ajustement et la simulation de modèles analytiques de lutte anti-blanchiment, elle permet aux banques de visualiser des schémas de fraude, d’accroître l’efficacité de leurs programmes et donc de réduire les coûts liés aux sanctions en cas de non-conformité.
La solution permet également au client de créer ses propres scenarii. Ce qui permet d’affiner le besoin et ainsi de mieux anticiper les risques. En validant des modèles et en testant de nouvelles stratégies de lutte contre de nouvelles menaces, les établissements financiers peuvent expliquer et justifier leurs pratiques aux régulateurs.
Sur quel système repose la solution ?
La solution repose sur la méthode de contrôle du comportement client basée sur les risques. Elle aide également les institutions financières à détecter et élucider les activités financées frauduleuses dans le respect des contraintes réglementaires.
Quels sont les avantages d’une architecture in memory ?
Une architecture in-memory est une architecture dans laquelle les données sont chargées en mémoire. Cette technologie permet ainsi d’accéder instantanément aux données et d’effectuer des analyses et/ou des visualisations de données plus rapidement. Ce type d’architecture devient très intéressant lorsque le client possède un volume de données conséquent (de l’ordre de plusieurs dizaines de Go).
Le régulateur concentre de plus en plus son attention sur les modèles de gestion de risque. Comment l’outil AML de SAS y répond ?
Le régulateur veut s’assurer que les établissements financiers comprennent comment fonctionnent leurs propres modèles d’analyse de risque. Ils doivent lui démontrer que les systèmes mis en place fonctionnent et documenter la preuve. La solution améliore le reporting réglementaire mais permet aussi aux banques de prévenir les tentatives frauduleuses sans recours à un tiers. Avec l’outil AML de SAS, elles peuvent modifier rapidement un scénario et expliquer comment et pourquoi des changements ont été effectués et ainsi justifier leurs pratiques aux responsables d’audit.
L’outil SAS AML dispose-t-il des 2 modules de filtrage des flux et de surveillance des transactions ?
La solution dispose du module de filtrage des flux comme par exemple : White List / Watch List et du module de surveillance de transactions comme le PPE : Person Politically Exposed.
Quelle pertinence en retire les utilisateurs finaux ?
Pour les utilisateurs, l’interface simplifiée de la solution leur permet dans un premier temps de visualiser directement l’ensemble des alertes, puis d’accéder, pour chacune d’entre elles, à un niveau de détails plus élevé. Ils conçoivent visuellement et instantanément des modèles statistiques et peuvent avoir les corrélations entre des variables et une activité potentiellement suspecte. En ayant la possibilité d’effectuer des analyses plus poussées, plus précises, les utilisateurs peuvent donc mieux identifier les actions frauduleuses.
Les data scientists ont également la possibilité d’appliquer des méthodes non supervisées telles que le clustering, pour créer des segments de population pour la détection d’anomalies par rapport à un groupe de pairs.
La possibilité de tester différents scenarii sur d’importants volumes de données, permet-il aux établissements financiers de mieux allouer leurs ressources dans la lutte contre les risques émergents ?
En partant du principe que la qualité des données est correcte, tester des scenarii sur un important volume de données permet de mieux appréhender la pertinence des alertes générées par la solution. Des résultats plus précis peuvent amener à une meilleure allocation des ressources dans la lutte contre les risques émergents.
Si on part du principe que le temps et les coûts nécessaires pour valider les modèles de lutte anti blanchiment est une vraie problématique, quel est le temps de réaction de l’outil ?
Une fois les données et les scenarii chargés dans la solution, le temps de réaction de l’outil est immédiat. Sa conception permet d’effectuer des analyses efficientes et approfondies des alertes par les utilisateurs. De ce fait, les déclarations de soupçons peuvent être remontées plus rapidement auprès du régulateur. Selon l’éditeur, les utilisateurs enregistrent des taux de conversion de rapports d’activités suspectes trois fois supérieures grâce à l’approche segmentation, validation, ajustement.
