Ook in financiële criminaliteit speelt ict een steeds grotere factor, niet alleen wat betreft de risico’s, maar ook wat betreft de middelen om criminaliteit te bestrijden. “Niet alle financiële instellingen zijn hier klaar voor. En ze moeten ook andere werknemersprofielen binnenhalen”, zegt fraude-expert Eugène van Kampen.
Met de digitale transformatie is ook digitale financiële criminaliteit toegenomen. De afgelopen jaren is de financiële schade bij Nederlandse banken door phishing alleen al elk jaar verdubbeld, naar 7,94 miljoen euro in 2019. Ook andere vormen van digitale criminaliteit, bijvoorbeeld ceo-fraude en verspreiden van malware, namen in 2020 toe. Maar waar criminelen meer digitale tools zijn gaan inzetten om fraude te plegen, gebruiken fraudebestrijders eveneens digitale middelen om malafide activiteiten op te sporen en te voorspellen. Complexiteit van processen, regeldruk van wetten om fraude aan te pakken en kosten van fraudebestrijding nemen allemaal toe, dus het is logisch dat bedrijven uitwijken naar automatisering om arbeidsintensieve, handmatige workflows te versimpelen. Executive Finance sprak met fraudedeskundige klantadviseur en fraude-expert Eugène van Kampen van analytics-leverancier SAS over zulke technologische oplossingen en wat daar bij komt kijken.
Snijvlak finance en ict
“Er zijn veel verschillende fraudetypologieën”, zegt Van Kampen. “Zo heb je bijvoorbeeld te maken met witwassen, sanctie-overtredingen, interne fraude, oplichting online, verzekeringsclaimfraude, enzovoorts, gedaan door een individu of een georganiseerde criminele organisatie.” Fraude is een breed speelveld en wat betreft detectie maakt het uit in welk deel van dat veld financieel-forensisch onderzoekers en criminelen te werk gaan. Voor de geavanceerde fraude-detectie die vandaag de dag mogelijk en veelal nodig is, hebben financiële instellingen steeds vaker vaardigheden nodig die te vinden zijn bij data-scientists. Een analytisch platform heeft voor zijn oplossingen vaak al standaard vooraf ingestelde regels en detectiemethodes, maar voor efficiënte inzet moet de software bij zijn implementatie geconfigureerd worden voor zaken die zich in het specifieke domein van een bepaalde instelling bevinden. Dat betekent dat er mensen aan te pas komen die zich op het snijvlak van finance en ict bevinden.
Lees ook: Frank Cederhout: Beperk schade na fraudegeval
Regels aanpassen
Geavanceerde analytics zijn gebouwd naast ‘ouderwetsere’ methodes als regel-gebaseerde detectie. “In de basis heb je te maken met heuristische regels”, legt Van Kampen uit. “Zulke regels zijn gebaseerd op ervaringen uit het verleden en richten zich dus op wat je al weet. Alleen is dat niet meer voldoende.” Voor deze configuratie komen er skillsets om de hoek kijken van niet alleen ict, maar ook mensen met domeinkennis. “Er is geen sprake van een black box”, vertelt hij over de software. “De tools zijn open en transparant, zodat regels en modellen kunnen worden geconfigureerd door vakbekwame mensen van de instelling zelf.”
Er wordt gekeken of het gedrag past binnen het patroon van klanten met een vergelijkbaar profiel. Als daar grote afwijkingen in zijn, wordt er een signaal gegenereerd dat verder kan worden onderzoek.
De configuratie van regels is geen eenmalige ‘set it and forget it’ maar moet steeds worden bijgesteld. Criminelen leren en testen namelijk de nieuwe grenzen, zo weet Van Kampen, waarbij ze bepalen wat de drempelwaardes zijn om aangemerkt te worden als potentieel frauduleuze aanvrager. “Bovendien zijn er steeds nieuwe diensten en producten waar ze mee te maken hebben. Ze proberen uit welke factoren van invloed zijn, zoals het woongebied waar ze zitten, het beroep dat ze aangeven te hebben en de leeftijd van de aanvrager.” Bij aanpassingen in de regels, worden nieuwe parameters net zolang uitgeprobeerd tot het digitale dievengilde merkt dat een bepaalde methode succesvol is. Waarna de regels weer moeten worden aangepast. “Dat zal altijd een kat-en-muisspel blijven.”
Geavanceerdere analytics
Behalve de heuristische regels die kunnen worden geconfigureerd, richten analytics platforms zich op geavanceerdere technieken die wat meer serieuze kennis van datamodellen vereisen. Zulke modellen richten zich niet alleen op kant-en-klare gevallen waarin wordt afgeweken van standaardmethodes, maar gebruiken een breed scala aan factoren om gedrag te voorspellen, bijvoorbeeld op basis van trends en onderzoeksresultaten, waardoor de modellen continu verbeteren.
Daarnaast hebben fraudeonderzoekers ook nog te maken met verschillende soorten data die regelmatig een ander specialisme vereisen dan wat de meeste financiële instellingen in huis hebben. Met name als het gaat over online fraude. ‘Dan kijk je bijvoorbeeld naar device-data, zoals IP-adressen, hardwareadressen, serverlogs, et cetera’, vertelt Van Kampen.
Verschillende fraude, verschillende datasets
“Fraudedetectie vereist andere data en kennis dan witwasdetectie”, legt de deskundige uit. “Bij witwassen wordt er vooral gekeken naar financiële transacties. Als we te maken hebben met online fraude, kijk je naar een heel andere dataset.” Niet alleen wat betreft digitaal verkeer, maar ook aan de hand van traditionelere factoren om verdachte activiteiten op te merken. De software past analytics toe om risicovolle netwerken in kaart te brengen: voor claimfraude wordt bijvoorbeeld geanalyseerd welke partijen betrokken zijn bij welke claims en polissen, voor interne fraude welke medewerker gerelateerd kan worden aan welke klant- en rekeninggegevens en activiteiten daaromtrent zoals wanneer en hoe vaak een rekeningsaldo is geraadpleegd? “Deze verbanden worden visueel gepresenteerd aan de hand van een grafisch netwerk, waarvoor tevens een risicoscore is berekend, waarmee snel inzichtelijk is of er sprake is van mogelijke fraude.”
‘Bij witwasdetectie wordt er niet alleen gekeken naar het patroon van financiële transacties zelf, bijvoorbeeld of er sprake is van ‘rapid movement of funds’ of ‘mule accounts’, maar ook of een bepaalde activiteit past binnen het normale, verwachte gedragspatroon van de klant. Tevens wordt gekeken of het gedrag past binnen het patroon van klanten met een vergelijkbaar profiel. Als daar (te) grote afwijkingen in zijn, wordt er een signaal gegenereerd dat verder kan worden onderzocht,’ legt Van Kampen uit.
Lees ook: CFO moet meer leren over fraude-oorzaken
Visualisatie tipt onderzoekers
Op de achtergrond krijgen verschillende vormen van potentiële fraude verschillende gewichten en drempelwaardes om tot een risicoscore te komen. Diverse regels en modellen beïnvloeden deze score doorlopend. De risico’s worden uiteindelijk gepresenteerd in volgorde van prioriteit, zodat onderzoekers direct inzichtelijk hebben welke zaken het beste als eerste verder onderzocht kunnen worden. “De software vindt iets verdachts en de eindgebruiker, de onderzoeker, gaat dan kijken analyseren wat er aan de hand is en of het een terechte signalering is. Met die informatie kunnen de modellen weer verbeterd worden. En als het een terechte signalering is, ondersteunen de oplossingen het melden aan de overheid, wat bijvoorbeeld een verplichting is voor de bestrijding van witwassen en terrorisme financiering.”
Een gebruiker van dergelijke analytics-software om financiële criminaliteit te bestrijden is EY. Op een consultancycongres vertelde cio Jake Jacobson over zulke moderne toepassingen van het bedrijf. “Analytics zit op het snijvlak van het zakelijke domein en technologie en dit is de plek waar je waarde uit data haalt”, stelde Jacobson. Hij haalde aan dat er veel handwerk komt kijken bij due diligence-processen en dat ondanks nieuwe technologieën om dat te automatiseren er nog veel integratie nodig is om dat allemaal te stroomlijnen, maar dat het toepassen van analytics al snel meerwaarde heeft voor de business. “Een duidelijk beeld krijgen op je risico’s wordt steeds praktischer.”
Volg Executive Finance op LinkedIn!
Geef een reactie