Geldwäsche ist ein Milliarden-Geschäft. Laut Schätzungen von UNDOC (United Nations Office on Drugs and Crime) werden pro Jahr 800 Milliarden bis zwei Billionen USD gewaschen. Dies entspricht einem Anteil von zwei bis fünf Prozent des weltweit erwirtschafteten Bruttoinlandsprodukts (BIP).

Nach meinem Empfinden gehen die Täter dabei immer komplexer vor und wissen ihre Geldwäsche-Aktivitäten gut zu verbergen. Gerade das erschreckende Ausmaß und die hohe Anzahl von Off-Shore-Briefkastenfirmen (eng. Shell Companies) macht deutlich, wie schwierig es ist, kriminelle Geldwäscher und ihre Hintermänner dingfest zu machen. Die schiere Anzahl dieser Shell Companies in Verbindung mit ihrer enormen Vielschichtigkeit, ermöglicht es den Tätern immer wieder kriminelles Vermögen, trotz aller Kontrollen, nahezu vollständig zu verschleiern.

Das kriminelle Instrument: Shell Companies

Aus Sicht von kriminellen Organisationen und Einzeltätern ist eine Briefkastenfirma für Geldwäsche-Aktionen sehr attraktiv. Folgende drei Merkmale zeichnen eine Shell Company aus:

  • Anonymität der wirtschaftlichen Eigentümer
  • Briefkastenregistratur zumeist in Off-Shore Ländern
  • Nicht ersichtlicher Geschäftszweck

Alle Merkmale, die entweder einzeln oder alle gemeinsam zutreffen können, erleichtern es, Geldmittel aus kriminellen Aktivitäten über eine juristische Person im Zuge hoher Rechnungslegungen zu plausibilisieren, Transaktionen unauffällig aussehen zu lassen oder über Konsumbestellungen einen legalen Zweck vorzutäuschen.

Ein drastisches Beispiel, das mir aus dem vergangenen Jahr nachhaltig in Erinnerung ist, verdeutlicht die Vorgehensweise: In den Jahren 2010 bis 2014 wurden über acht Milliarden USD aus Russland über mehr als 70 Off-Shore Firmen in den mitteleuropäischen Markt eingeschleust. Dieser später als „Troika Laundromat“ bekannt gewordene Fall zeigte, dass eine Vielzahl europäischer Banken als Transaktionsparteien involviert waren und so Gegenstand juristischer Ermittlungen wurden.

Mit herkömmlichen Maßnahmen nach solchen Verdachtsmomenten zu suchen ist äußerst aufwendig. Gängige und inzwischen sehr leistungsfähige Compliance Tools helfen bei der Suche nach der Nadel im Heuhaufen. Sie sind allerdings schwerfällig in ihrer Modifizierung und anfällig für Fehlalarme. Die Folge: Jede Menge aufwändige Handarbeit.  Mittel und Wege, die bei der Suche nach Geldwäsche-Fällen die Effizienz erhöhen und inhärente Risiken minimieren sind daher gefragter denn je.

Die Lösung: Data Analytics und Machine Learning

Hier kommen Data Analytics und Machine Learning ins Spiel. Erfahrungen aus der Praxis zeigen, dass mit Hilfe neuer Analysemethoden (z.B. Entscheidungsbäume, Neuronalen Netzwerken oder auch Netzwerkanalysen) eine signifikante Anzahl weiterer Verdachtsfälle identifiziert werden. Die Technologie erkennt hier Auffälligkeiten, die sonst nur über Polizeibehörden, Korrespondenzbanken oder Signale aus dem Branch-Netzwerk gemeldet worden wären. Darüber hinaus konnte durch gleichzeitige Reduktion von false-positive Raten ein etwaiger Mehraufwand direkt abgefedert werden.

In der Folge braucht es nun nicht mehr einen Zehnjahresplan und Unmengen an Projektbudget, um schnell skalieren zu können – Data Analytics und Machine Learning fungieren als Kostenbremse und Aufklärungsbeschleuniger.

Von „Know-Your-Data“ zur intelligenten Verdachtsmeldung

In der Regel verfügen Banken und Finanzinstitute über eine Vielzahl an Informationen über ihre Geschäfte und Kunden. Vom Zahlungsverhalten bis hin zu den Transaktionsparteien sind alle wichtigen Informationen meist schon vorhanden. Allerdings sind die Datensätze zumeist organisch gewachsen und über viele Datensilos verteilt. Eine übergreifende Datenanalyse wird so sehr schwierig.

Ich empfehle Unternehmen immer, dieses Datenmonster mit einem Fünf-Punkte-Plan zu bändigen:

1. Strategic Vision

Die Strategie steht an erster Stelle. Die Bank muss sich bewusst werden, welche Anforderungen das Machine Learning-Modell erfüllen muss und wie das Ergebnis aussehen soll.

2. Data Collection

Basierend auf der strategischen Vorstellung braucht es im zweiten Schritt die genaue Beschreibung und Beschaffung benötigter Transaktions- und Kundendaten sowie die Einrichtung technischer Datenbanken und Software.

3. Data Analysis

Der Einsatz von Data Analytics kommt ins Spiel, wenn es darum geht, Firmenkonstrukte zu kategorisieren, in Relation zu setzen, Häufigkeiten und Verteilungen sichtbar zu machen und zu vereinheitlichen.

4. Data Understanding

Analysierte Daten müssen verständlich und die fachliche Bedeutung geklärt sein. Aus diesem Verständnis heraus kann der erste Prototyp des Machine Learning-Modells gestaltet werden.

5. Iterative Feeding

Ein Machine Learning-Modell lebt von seinen Daten und lernt umso besser, je öfter verschiedene Datenproben wiederholt werden. Das erhöht die statistische Genauigkeit. Durch nachträgliche Plausibilisierung der Ergebnisse kann das Modell angepasst und verbessert werden.

Auch wenn der Weg zur ersten funktionierenden Lösung aufwändig ist, so überwiegt doch der langfristige Mehrwert. Mit Data Analytics und Machine Learning ist es möglich, auf immer komplexer werdende Geldwäschevorgänge zu reagieren, die Gefahr von Nichtmeldungen zu reduzieren und die Kosteneffizienz zu steigern. Dann können Banken auch öfter das melden, was auch wirklich meldenswert ist.