NatusAI
Efterforsker inden for økonomisk kriminalitet og teamleder gennemgår et transaktionsnetværk på skærmen
  1. Forside
  2. Use cases
  3. Bank og finans
Bank · Svindelopdagelse og complianceLeveret · kunderesultat

En stor europæisk bank

Svindel- og complianceanalyse i banker: fra forespørgsler på 3 dage til realtid

Svindelopdagelse og analyse gik fra en forespørgselsproces på 3 dage til indsigt i realtid på tværs af millioner af daglige transaktioner.

Drøft et lignende projekt
3 dage → <1 sek.

svartid på komplekse relationsforespørgsler

85 %

bedre svindelopdagelse ifølge banken

70 %

højere produktivitet

Ledelsesresumé: svindel- og complianceanalyse

Kunde
En stor europæisk bank
Sektor
Bank og finans
Omfang
Millioner af transaktioner om dagen
Omfang
Svindelopdagelse, compliance-rapportering, dokumentanalyse

Kontekst, beslutning, resultat

  • Udgangspunkt. Komplekse databaseforespørgsler tog 3 arbejdsdage, så svindelopdagelse i realtid var umulig. Data i adskilte afdelinger stod i vejen for et 360°-kundebillede, og medarbejderne brugte timer på at hente de samme data igen og igen.
  • Beslutning. En ny arkitektur bygget op om relationer: et højtydende graflag, der forbinder afdelingerne, anomalidetektion med maskinlæring og en realtidspipeline til millioner af daglige transaktioner. Efterforskerne bevarer hele sammenhængen bag hvert varsel.
  • Resultat. Svar på under et sekund på komplekse relationsforespørgsler, der før tog 3 dage. 85 % bedre svindelopdagelse (ifølge banken), 80 % hurtigere compliance-rapportering, 70 % højere produktivitet og 42 % højere kundetilfredshed.
  • Tid til værdi. Bankens medarbejdere fik undervisning og teknisk dokumentation, bygget op om de spørgsmål, efterforskerne allerede stiller.
Udfordringen

Udfordringen for svindel- og complianceteams

I en bank afhænger det brugbare svar af relationerne mellem konti, transaktioner, dokumenter, kunder og hændelser. I denne bank lå relationerne spredt i afdelingernes systemer, og komplekse forespørgsler tog 3 arbejdsdage.

Forsinkelserne ramte efterforskning, rapportering og enhver beslutning, der krævede et samlet billede. Når dataene endelig var afstemt, var beslutningsvinduet ofte lukket – og langsomme beslutninger øgede risikoen for svindel.

Sådan blev arbejdet gjort

Forløbet: fra forespørgsler på 3 dage til efterforskning i realtid

Flaskehalsen viste sig at ligge i relationerne – ikke hos medarbejderne eller i hardwaren.

  1. Trin 01 · Analyse

    Sådan fandt vi flaskehalsene

    Vi kortlagde vejen fra transaktionsbehandling over svindelopdagelse til compliance-rapportering og fulgte datastrømmene mellem afdelingerne.

    Vi ledte efter siloer, gentaget dataindhentning og de relationer, teamene havde brug for at se samlet. Det gjorde det muligt at rette den første ændring mod de spørgsmål, hvor forbundne data ville frigøre mest kapacitet.

    Levering Afdækning leveret af vores team.

  2. Trin 02 · Design og omstilling

    Sådan byggede vi en datamodel til efterforskning

    Vi designede en højtydende grafdatabasearkitektur, optimeret til komplekse relationsforespørgsler, og samlede relationsdata i en struktur, der passer til efterforskning.

    Vi trænede maskinlæringsmodeller til mønstergenkendelse og anomalidetektion i transaktionsdata og byggede en realtidspipeline til millioner af daglige transaktioner.

    Et samlet datalag forbandt afdelingerne om et fælles billede med driftskontekst og adgangskontrol indbygget i designet.

    NatusAI-produkter til denne kapabilitet

    Abstrakt gengivelse af en tidsversioneret graf, hvor relationerne bevarer deres historik
    Hver transaktion og relation gemmes med sin historik, så et mønster kan følges over tid.
Abstrakt gengivelse af et driftsbillede, hvor varsler, transaktioner og deres historik er forbundet
Forbundne data gør svindelrisiko til noget, en bestyrelse kan drøfte på et dokumenteret grundlag.
  1. Trin 03 · Byg

    Det byggede vi

    En motor til svindelopdagelse i realtid med live overvågning af transaktioner, øjeblikkelige varsler og automatisk risikoscoring. Efterforskerne ser aktiviteten, risikomønstret og sammenhængen omkring det.

    En platform til dokumentanalyse med forespørgsler i naturligt sprog, der kan behandle millioner af dokumenter på sekunder, så analytikere kan stille spørgsmål på tværs af godkendte dokumentsamlinger.

    Integration af kundedata i 360 grader med adgang og samarbejdsværktøjer på tværs af afdelinger.

    NatusAI-produkter til denne kapabilitet

  2. Trin 04 · Ibrugtagning

    Sådan tog teamene det i brug

    Undervisning og teknisk dokumentation til bankens medarbejdere, bygget op om de spørgsmål, efterforskere og analytikere allerede stiller – med den kontekst, der skal til for at efterprøve et resultat i stedet for at acceptere et svar fra en sort boks.

    NatusAI-produkter til denne kapabilitet

Leveret af NatusAI-teamet. Produktmærkerne viser, hvilket NatusAI-produkt der leverer – eller er planlagt til at levere – hver funktion; frigivelsesstatus står under »Til dit tekniske team«.

Efterforskere inden for økonomisk kriminalitet gennemgår sammen transaktionstabeller og et relationsdiagram (illustrativt billede)
Illustrativt billede.
Den menneskelige side

Hvad der ændrede sig for risiko-, svindel- og complianceteams

Mindre ventetid mellem spørgsmål og beslutning – og mere tid til dømmekraft.

  • Svindelefterforskere. Varsler kommer i realtid med grafen og historikken bag, så et mønster kan følges gennem flere led og forklares.

  • Complianceteams. Rapporteringen går 80 % hurtigere, fordi dataene allerede er forbundet, og spørgsmål på tværs af dokumenter kan stilles i almindeligt sprog.

  • Kundevendte medarbejdere. Et 360-graders kundebillede på tværs af afdelinger. Kundetilfredsheden steg 42 %.

Målbare resultater, der betyder noget

Effekten: svindel- og complianceanalyse i realtid

3 dage → <1 sek.

komplekse relationsforespørgsler: fra 3 arbejdsdage til under et sekund

85 %

bedre svindelopdagelse ifølge banken

70 %

højere produktivitet

80 %

hurtigere compliance-rapportering

42 %

højere kundetilfredshed

98 %

nøjagtighed i dokumentanalysen ifølge banken, på tværs af millioner af dokumenter om måneden

Tal oplyst af kunden ved projektets afslutning.

Finansielle data og efterforskning

Hvor det samme fundament kan bruges næste gang

I de fleste banker ligger hovedbogen, svindelmotoren, risikomodellen og revisionssporet i forskellige systemer, der er syet sammen af natlige batchkørsler. Et forbundet, tidsbevidst fundament gør det muligt at beslutte, opdage og forudsige på live data.

Referencescenarie

Kreditbeslutninger på stedet

Problemet
At bevilge et lån eller en kreditramme kræver, at man henter ansøgerens historik og netværk af forpligtelser – som regel en langsom sammenkobling på tværs af systemer.
Tilgangen
Hele transaktionshistorikken og modpartsnetværket ligger ét sted. En scoringsmodel vurderer dem og svarer ja eller nej på et øjeblik.
Resultatet
Kreditbeslutninger i realtid ved betalingen eller i appen, dokumenteret med præcis de data, der blev brugt til beslutningen.
Referencescenarie

Opdagelse af svindel og hvidvask

Problemet
Svindel og hvidvask viser sig som mønstre over tid – ringe, kæder af pengemuldyr og pludselige udbrud – som kontrol række for række overser.
Tilgangen
Følg pengene gennem flere led, find cirkulære strømme og pludselige stigninger i hastighed, og scor anomalier, mens transaktionerne sker.
Resultatet
Mistænkelige mønstre markeres i realtid med hele netværket og historikken ved hånden, så de kan efterforskes og forklares.
Referencescenarie

Saldo og likviditet

Problemet
Treasury har også brug for morgendagens saldi, men prognoserne ligger i regneark uden forbindelse til den live hovedbog.
Tilgangen
Forudsig hver kontos saldo, og saml den op til likviditet for filialen og hele banken – og stresstest derefter scenarier på de samme data.
Resultatet
Fremadrettet likviditet, du kan planlægge efter, opdateret løbende i stedet for en gang om måneden.

»Hvordan så denne eksponering ud den 30. juni?« Hver transaktion og relation gemmes med sin historik, så revision, compliance og backtesting kører på de samme data som de live beslutninger.

Referencescenarier for bank, forsikring og betalinger; illustrative og ikke NatusAI-kunderesultater. Udlån og kreditvurdering kan være højrisiko efter bilag III i AI-forordningen. Se governance nedenfor.

Overførbarhed

Hvad det betyder for banker, forsikringsselskaber og betalingsinstitutter

Banker, forsikringsselskaber og betalingsinstitutter, der stadig venter på batchafstemning, kan bruge samme tilgang til kunstig intelligens (AI) og starte med ét efterforskningsspor: en svindelring, et mønster i skadesanmeldelser eller en compliancerapport.

Start med det spørgsmål, der venter længst.

Ét efterforskningsspor, ét sæt relationer gjort synlige og en målt før og efter.

Forklarbarhed kommer af kontekst.

Når efterforskerne kan se netværket og historikken bag et varsel, kan de forsvare beslutningen over for tilsynet.

Hold data der, hvor reguleringen vil have dem.

Graf, historik og analyse kan køre som ét system på bankens egen infrastruktur.

Regulering

Bygget til governance efter DORA, hvidvaskregler, Solvens II og AI-forordningen

Finansielle virksomheder skal kunne forklare, genskabe og komme ud af aftaler. Arkitekturen sikrer, at en navngiven person har ansvaret for væsentlige beslutninger, bevarer den historik, der skal til for at rekonstruere dem, og kan køre inden for bankens egen perimeter.

  • DORA (gældende siden 17. jan. 2025): drift on-premise eller i EU, en dokumenteret exitstrategi, oplysninger til dit register over aftaler med tredjepartsudbydere af IKT-ydelser, dokumentation for gendannelse (verificeret gendannelse, NatusAI Gemini, på roadmappen)
  • AML / tilsyn med økonomisk kriminalitet: varsler koblet til de transaktioner, modparter og den historik, der ligger bag – så efterforskningen kan forklares
  • AI-forordningen: kreditvurdering af fysiske personer er en højrisikoanvendelse efter bilag III, og de selvstændige højrisikoforpligtelser forventes at gælde fra 2. dec. 2027 (med forbehold for endelig vedtagelse). Menneskeligt tilsyn, logning og dokumentation af datastyring understøtter idriftsætterens forpligtelser
  • Solvens II / EIOPA (forsikringsselskaber): de samme kontroller (menneskeligt tilsyn, logning, dokumenterede datastrømme og en dokumenteret exitplan) giver forsikringsselskaber den dokumentation, som gennemgange af ledelsessystem og outsourcing efterspørger. DORA gælder for forsikringsselskaber på samme måde som for banker
  • GDPR: behandling i bankens eget miljø, dokumenterede datastrømme
  • Modelrisiko: dokumentation, der understøtter din interne validering (fx SR 11-7 / OSFI E-22 for amerikanske og canadiske enheder)

NatusAI understøtter dine forpligtelser; det erstatter ikke din juridiske vurdering eller tilsynets godkendelse. Sådan understøtter NatusAI governance efter AI-forordningen, GDPR, DORA og NIS2

En graf over forbundet viden: svar, der kan spores tilbage til deres fakta og relationer
Til dit tekniske team
  • Leveret arkitektur: en højtydende grafdatabase til relationsforespørgsler, ML-baseret anomalidetektion i transaktionsdata, en realtidspipeline (millioner af transaktioner om dagen), et samlet datalag på tværs af afdelinger og et dokumentanalysesystem med flere agenter og forespørgsler i naturligt sprog.
  • Referencemønster for motoren: transaktioner indekseres ved ankomst som versionerede kanter mellem noder for konto, kunde og modpart. Graf, tidsserier og ML i én motor. Forespørgsler på et vilkårligt tidspunkt bagud. Ét selvhostet program.
  • Placering i platformen: NatusAI Cygnus (planlagt v1), NatusAI Auriga (på roadmappen), NatusAI Aquila (på roadmappen), NatusAI Orion (på roadmappen), NatusAI Lyra (tilgængelig).
Spørgsmål

Spørgsmål fra risikodirektører og chefer for økonomisk kriminalitet

Hastighed, forklarbarhed, drift og bredere effekter.

Hvor hurtige kan komplekse relationsforespørgsler blive?

I denne bank blev komplekse forespørgsler, der tog 3 arbejdsdage, besvaret på under et sekund, mens systemet håndterede millioner af transaktioner om dagen.

Kan efterforskerne forklare et AI-genereret varsel?

Ja. Hvert varsel kommer med de transaktioner, modparter og den historik, der ligger bag, så efterforskerne gennemgår konteksten i stedet for at acceptere en score fra en sort boks.

Kan det køre on-premise?

Ja. Arkitekturen kan køre som ét selvhostet system på bankens egen infrastruktur.

Kan samme tilgang bruges af forsikringsselskaber?

Ja. Casen blev leveret i en bank, og mønstret kan bruges overalt, hvor svar om svindel, skader eller compliance afhænger af relationer og historik. De samme kontroller understøtter den governance-dokumentation, forsikringsselskaber udarbejder efter Solvens II og DORA; NatusAI certificerer ikke compliance.

Hvad blev ellers bedre ud over svindelopdagelsen?

Compliance-rapporteringen blev 80 % hurtigere, produktiviteten steg 70 %, og kundetilfredsheden steg 42 % takket være et 360-graders kundebillede på tværs af afdelinger.

Kunderesultater

Energi · Elnet

Et nationalt elnetselskab

Landsdækkende

AI-baseret digital tvilling af elnettet med overvågning i næsten realtid

Se casen
Drøft et lignende projekt

Hvilket sammenhængende spørgsmål tager for lang tid i dag?

Start med ét efterforskningsspor, og gør dets relationer synlige. På 30 minutter skitserer vi, hvordan vi ville måle forandringen, og hvordan den passer ind i din DORA- og modelrisikoramme.

  • Start med en afgrænset afklaringsfase, der ender med en klar go/no-go-beslutning.
  • Referencesamtaler om denne case kan arrangeres under NDA efter en første briefing.
Drøft et lignende projektAlle use cases

Eller skriv til contact@natusai.com

Et lille ledelsesteam gennemgår et resultatresumé på én side i et mødelokale (illustrativt billede)