Dieci Passi verso
la buona Governance
Innovare ma con cautela. Le nuove tecnologie mirano a migliorare la velocità, la qualità o l'efficienza e il costo di alcune misure AML/CFT, nonché i costi di attuazione del quadro AML/CFT in modo più ampio, rispetto all'uso di metodi e processi tradizionali; ma è necessario considerare, valutare e implementare responsabilmente, considerare un approccio ibrido. Gli sforzi non devono necessariamente concentrarsi sull'utilizzo degli strumenti più sofisticati o complicati, ma sullo sviluppo di strumenti efficaci, che siano nel contempo in linea con le aspettative normative e di vigilanza.
Massima attenzione all’efficacia delle soluzioni ma anche ai costi e alla velocità di esecuzione.
Avere un approccio Data Driven, sfruttare al massimo i Big Data e utilizzare in modo efficace i dati nel processo decisionale. Le aziende Data Driven non considerano la gestione dei dati come un fattore tecnico, ma come un pilastro strategico aziendale. Avere a disposizione informazioni corrette, aggiornate e rilevati con la corretta frequenza è fondamentale.
Comprendere approcci di valutazione del rischio in logica Risk Management. E' ormai consolidato che la funzione antiriciclaggio, nata come funzione simile alla compliance, debba ora assumere anche metodologie sempre più vicine al mondo Risk, quindi considerare gli effetti che il rischio AML produrrebbe sulle grandezze economico-finanziarie (EBITDA); definire delle soglie di risk appetite; identificare e definire piani di azione. Governare il rischio modello, assicurarsi che gli algoritmi funzionino, sottoporli periodicamente a controlli, definire policy.
Condividere i dati. Perché il settore possa adottare l'apprendimento automatico in modo significativo, è necessario condividere in modo sicuro i dati, accedere a dati World-Wide, pur in un mondo GDPR.
Adottare un approccio più analitico alla segmentazione. La segmentazione deve diventare più rigorosa rispetto alla semplice divisione di clienti personali e commerciali o al raggruppamento in base al volume delle transazioni o del fatturato. Raggruppare le entità in base alle interazioni tra le variabili.
Machine learning e AI. Superare la staticità dei modelli tradizionali basati su regole, adottare soluzioni dinamiche. Un modello di apprendimento non supervisionato può valutare enormi volumi di dati per trovare pattern non conosciuti, rischi difficili da trovare utilizzando i metodi tradizionali. Scoprire rapidamente minacce emergenti e complesse di riciclaggio di denaro e finanziamento del terrorismo con processi di generazione di diagrammi di reti.
Automatizzare l’attraversamento dei processi, realizzare archiviazione ottica dei documenti. Abbattere la manualità; diminuire i tempi di esecuzione dei processi; realizzare un reale ed efficace livello di monitoring, quindi di conoscere on line lo status delle diverse fasi/attività ed effettuare analisi di efficienza/efficacia del processo; consentire un elevato livello di sicurezza e di controllo del processo; permettere il collegamento e/o integrazione ad altri processi; gestione dei costi di produzione e documentazione dei processi decisionali.
Integrare i sistemi di controllo centralizzato. A differenza delle piattaforme software frammentate e con capacità limitate, realizzare una piattaforma di analisi aperta e integrata che copra tutti gli aspetti del ciclo di vita dell'analisi, dai dati grezzi al punto decisionale.
Concentrarsi solo su quello che conta. Concentrare il tempo degli operatori sugli avvisi più meritevoli. Le funzioni di referral automatico o ibernazione utilizzano un motore di intelligenza artificiale per calcolare un punteggio di rischio basato su variabili e categorie di rischio multiple e complesse, quindi accelerare o sospendere l'escalation di un avviso per la revisione.