Event: DDMA Dag van de Datakwaliteit

Thema: Datakwaliteit

Spreker: Coen de Bruijn - Fortis

Datum: 24 oktober 2007, De Lindenhof, Delft

www.ddma.nl

Coen de BruijnFortis

Coen de Bruijn | | 2

Risk Management & Datakwaliteit

Coen de BruijnAdviseur Integrity & AML

| | 3

Agenda

– Introductie– Nieuwe en bestaande klant– Afwijkend klantgedrag

| | 4

Fortis Bank Risk

| | 5

Integriteitschendingen

– Interne en Externe Fraude– Witwassen– Terrorisme financiering

| | 6

Fraude : Wat gaat er achter schuil?

oppor-tunity

0-toler-ance

Oppor

tunit

y

Rationalisation

Incentive

Oppor

tunit

y

Rationalisation

Incentive

| | 7

Fasen van het witwasprocesInternationaal wordt het witwasproces in drie fasen verdeeld

Placement Layering Integration

| | 8

Waar komen gegevens vandaan?

Monitoren van bestaande klanten en hun transacties

Externe meldpunten

Filtering van nieuwe en bestaande klanten & transacties

Front office over verdacht gedrag en periodieke reviews

Andere informatie (bijv. pers, info van justitie, etc.)

| | 9

Parallellen tussen MI en CTM*

– Ken uw (potentiële) klant– (Ongebruikelijk) Klantgedrag bekijken– Klantgedrag voorspellen– Klantprofielen– Afhankelijkheid van data

*Customer & Transaction Monitoring

Coen de Bruijn | | 10

Nieuwe en bestaande klanten

| | 11

Do you know who I am?

| | 12

Ken uw (potentiële) Klant

Identificatie Verificatie Registratie Acceptatie

Identificatie tools

From “Know Your Target” to “Know Your Customer”

ScreeningCustomer Due

Diligence

Register Wie, Wat, Wanneer, Waar,

UBO

Client AcceptancePolicy

| | 13

Klantonderzoek

– Ken je klant / tussenpersoon– Ken de klant van je klant / tussenpersoon– Ken de Ultimate Benificial Owner (UBO)– Wat? Met wie? Wanneer? Hoe vaak?

Preventie - Voorkom vervelende verrassingen

| | 14

Data issues

– Kwaliteit van de lijsten– Invoer– Hoeveelheid data (te veel of te weinig)– Matching; Wat te doen als bijv. Ban Laden binnenloopt?– Vastlegging

Systeem

Werkelijkheid

Geen hit

Hit

“Bad guy”“Good guy”

Coen de Bruijn | | 15

Afwijkend klantgedrag

| | 16

Een dag uit het leven van een transactieKlant maakt geld over naar het buitenland

De transactie wordt vertaald naar een swift bericht

Alle elementen in het swift bericht worden onderzocht en vergeleken met zwarte lijsten

De transactie bevat een mogelijke hit op een zwarte lijst! De transactie wordt even “on hold” gezet

Onderzoek toont aan dat het een valse hit was. De transactie wordt verder verwerkt

er wordt naar de transactiehistorie gekeken en de account manager informeert bij de klant naar de achtergrond van de transactie.

De transactie raakt een monitoringsregel! Een onderzoek wordt gestart

De resultaten worden vastgelegd

| | 17

Cliënt & Transactie Monitoring

– Detectie van verdachte transacties (o.a. Account Unusualness)– Review procedures– Data Mining / Profiling / Peer Group Analysis– Name Matching– Filtering

| | 18

Regels en data

TypeBusiness Line

History Combination

Account

Product

Regel = Product + Transactie + Klant

TypeCharacter-istics

History

Geogra-phical info

Customer

| | 19

Detectie ongebruikelijk gedrag

| | 20

Transactie stromen

| | 21

Data Issues

– Vulling van de data– Vertrouwelijkheid van de data (privacy wetgeving)– Extractie– Hoeveelheid data– Selectie van onderzoeksdata– Extremen– Ontbreken van data– Puzzelstukken missen

Gevolgen van een eventueel onderzoek !!

| | 22

Oplossingen

1. Eén transactie-verwerkingssysteem2. Eén datawarehouse / klantbeeld3. Samenwerking met Marketing Intelligence4. Betrokken bij opschoonacties (ivm bijvoorbeeld met Basel II)5. Resultaten tonen6. Verantwoordelijkheid bij de business

a) Regels door business laten aanscherpenb) Selectief opschonen

Thank you