Pranie pieniędzy nie jest domeną tylko i wyłącznie organizacji przestępczych. Przestępstw finansowych dokonują również terroryści, którzy w ten sposób finansują swoją działalność. UNODC (United Nations Office of Drugs and Crime) szacuje, że roczna wartość nielegalnych transakcji jest równa od 2 do aż 5% światowego PKB, czyli nawet 2 bilionom USD. Zaawansowana analityka oraz takie technologie jak machine learning i text mining pozwalają na optymalizację wykrywania przypadków prania pieniędzy oraz umożliwiają identyfikację komórek terrorystycznych.
Narodowy Bank Polski definiuje pranie brudnych pieniędzy jako działanie zmierzające do wprowadzenia do legalnego obrotu pieniędzy lub innych wartości majątkowych uzyskanych z nielegalnych źródeł, bądź służących do finansowania nielegalnej działalności. Według danych GIIF (Głównego Inspektoratu Informacji Finansowej) z roku na rok zjawisko prania pieniędzy w Polsce narasta. Każdego roku odnotowywany jest wzrost liczby raportowanych transakcji oraz zawiadomień do prokuratury.[1] Od pewnego czasu Unia Europejska wprowadza nowe regulacje mające na celu zwiększenie skuteczności przeciwdziałania tego typu przestępstwom, a także nakładające na instytucje finansowe określone obowiązki dotyczące monitoringu klientów i transakcji. Celem nowych regulacji jest podniesienie poziomu bezpieczeństwa europejskiego systemu finansowego w obszarze prania pieniędzy i przeciwdziałania terroryzmowi oraz dostosowanie metod działania do zmieniającego się otoczenia. IV Dyrektywa AML (Anti-Money Laundering), która po przełożeniu na lokalne regulacje prawne, niedługo zacznie obowiązywać również w Polsce, zwiększa znaczenie analizy danych w ocenie ryzyka związanego z praniem pieniędzy.
Niedopełnienie zobowiązań, zarówno wewnętrznych jak i międzynarodowych, może skutkować dotkliwymi karami. Przekonały się o tym m.in. banki HSBC, BNP Paribas czy JP Morgan, płacąc rządowi amerykańskiemu w ciągu ostatnich pięciu lat niemal 13 miliardów dolarów grzywny.
Jak systemy AML wspierają walkę z praniem pieniędzy
Instytucje finansowe, kontrolne oraz organy ścigania dysponują systemami AML, które wspierają walkę z praniem pieniędzy. Identyfikacja podejrzanych transakcji odbywa się w oparciu o szereg różnych przesłanek, takich jak częstotliwość transakcji, wielkość konkretnych kwot czy kraj z lub do którego przekazywane są środki finansowe. Dodatkowo analizowane są także listy sankcyjne, na których znajdują się osoby, które w przeszłości dokonywały przestępstw finansowych.
Scenariusze, według których postępują przestępcy są bardzo zróżnicowane, a ich wykryciu służą określone reguły zachowań. Większość obecnie wykorzystywanych systemów to rozwiązania statyczne, które generują znaczne ilości fałszywych powiadomień. Dodatkowo tego typu rozwiązania są mało skuteczne w wykrywaniu operacji wykonywanych przez zorganizowane grupy przestępcze oraz organizacje terrorystyczne. Ich przedstawiciele doskonale znają schematy działania systemów AML i sposoby, aby je obejść.
Analityka pozwala podjąć optymalną decyzję w ciągu milisekund
Największe wyzwanie wiąże się z potrzebą ciągłego dostosowywania systemów AML do zmieniających się schematów działania przestępców. Z pomocą przychodzą zaawansowane metody analityczne.
Większość systemów, które funkcjonują obecnie w bankach i instytucjach finansowych wykorzystuje jedynie statyczne profile działające w oparciu o historię transakcji, co w obecnych czasach nie jest wystarczającą metodą przeciwdziałania praniu pieniędzy i generuje znaczny odsetek fałszywych alarmów. Najnowsze rozwiązania wykorzystują metody hybrydowe, w których scenariusze budowane są przy wsparciu zaawansowanej analityki. Co więcej dzięki technologii in-memory analizy i symulacje na dużych wolumenach danych mogą być wykonywane w ciągu minut a nie, jak to miało miejsce wcześniej, godzin czy dni – tłumaczy Marcin Nadolny, Lider Zespołu Fraud Intelligence w SAS Polska.
Dzięki wykorzystaniu systemów analitycznych i technologii machine learning instytucje finansowe są w stanie precyzyjnie określać, które transakcje mają znamiona prania pieniędzy i kwalifikują się do zaraportowania do GIIF. Pozwala to ograniczać tzw. fałszywe alarmy (false positives), co z kolei przekłada się na redukcję kosztów związanych z nakładem pracy potrzebnym do ich zweryfikowania. W przypadku monitoringu transakcji pod kątem sankcji, kluczowe są dokładność i czas oceny. Musi ona nastąpić zanim dojdzie do transferu środków pieniężnych, dlatego niezbędne jest zastosowanie technologii, która z wykorzystaniem fuzzy-matchingu i analityki pozwoli jak najprecyzyjniej (znacznie ograniczając ryzyko false positives) ocenić daną transakcję w czasie rzeczywistym, czyli w ciągu milisekund od jej zlecenia.
Identyfikacja działań terrorystów w oparciu o analizę danych finansowych
SAS stawia na innowacje i poza rozwiązaniami do przeciwdziałania praniu pieniędzy, w ramach współpracy z byłymi oficerami Scotland Yardu, stworzył rozwiązanie do wykrywania komórek terrorystycznych w oparciu o analizę danych finansowych.
Poprzez analizę danych gromadzonych przez instytucje finansowe są one w stanie wykryć niepokojące zdarzenia, powiązać je ze sobą i wygenerować odpowiednie powiadomienia. Dzięki umiejętnemu zastosowaniu technik analitycznych możliwe jest odpowiednio wczesne przerwanie działań nieuchronnie prowadzących do organizacji ataku terrorystycznego – dodaje Marcin Nadolny.
Najnowsze trendy i rozwiązania oraz praktyczne wskazówki w zakresie wdrożenia IV Dyrektywy AML będą prezentowane podczas konferencji „Przeciwdziałanie praniu pieniędzy i finansowaniu terroryzmu (AML/CTF)”, która odbędzie się 7 czerwca 2017 roku w SAS Innovation Hub w Warszawie.
[1] Sprawozdanie Generalnego Inspektora Informacji Finansowej z realizacji ustawy z dnia 16 listopada 2000 r. o przeciwdziałaniu praniu pieniędzy oraz finansowaniu terroryzmu w 2016 roku
