En utredare inom ekonomisk brottslighet och en teamledare granskar ett transaktionsnätverk på skärmen
  1. Start
  2. Användningsfall
  3. Bank och finans
Bank · Bedrägeribekämpning och regelefterlevnadLevererat · kundresultat

En stor europeisk bank

Bedrägeribekämpning och regelefterlevnad i bank: från 3 dagars väntan till realtid

Bedrägeriupptäckt och analys gick från frågor som tog 3 dagar till underlag i realtid för miljontals transaktioner per dag.

3 dagar → <1 s

svarstid för komplexa relationsfrågor

85 %

bättre upptäckt av bedrägerier, enligt banken

70 %

högre produktivitet

Sammanfattning: analys av bedrägerier och regelefterlevnad

Kund
En stor europeisk bank
Bransch
Bank och finans
Omfattning
Miljontals transaktioner per dag
Omfattning
Bedrägeribekämpning, regelefterlevnadsrapportering, dokumentanalys

Sammanhang, beslut, resultat

  • Utgångsläge. Komplexa databasfrågor tog 3 bankdagar, vilket gjorde bedrägeriupptäckt i realtid omöjlig. Data i separata avdelningssystem hindrade en 360-gradersbild av kunden, och medarbetarna lade timmar på att hämta samma data om och om igen.
  • Beslut. Bygga om arkitekturen kring relationer: ett högpresterande grafdatalager som kopplar ihop avdelningarna, avvikelsedetektering med maskininlärning och ett realtidsflöde för miljontals transaktioner per dag. Utredarna har kvar hela sammanhanget bakom varje larm.
  • Resultat. Svar på under en sekund på komplexa relationsfrågor som tidigare tog 3 dagar. 85 % bättre upptäckt av bedrägerier (enligt banken), 80 % snabbare regelefterlevnadsrapportering, 70 % högre produktivitet och 42 % högre kundnöjdhet.
  • Tid till nytta. Bankens medarbetare fick utbildning och teknisk dokumentation, uppbyggda kring de frågor utredarna redan ställer.
Utmaningen

Utmaningen för team inom bedrägeribekämpning och regelefterlevnad

I en bank hänger det användbara svaret på relationer: mellan konton, transaktioner, dokument, kunder och händelser. I den här banken var relationerna utspridda över avdelningarnas system, och komplexa frågor tog 3 bankdagar.

Fördröjningarna drabbade utredningar, rapportering och varje beslut som krävde en sammanhängande bild. När data väl stämts av hade beslutsfönstret ofta stängts, och långsamma beslut ökade exponeringen för bedrägerier.

Så genomfördes arbetet

Vägen dit: från frågor som tog 3 dagar till utredning i realtid

Flaskhalsen visade sig ligga i relationerna, inte hos människorna eller i hårdvaran.

  1. Steg 01 · Analysera

    Så hittade vi flaskhalsarna

    Vi kartlade vägen från transaktionshantering via bedrägeriupptäckt till regelefterlevnadsrapportering och följde dataflödena mellan avdelningarna.

    Vi letade efter silor, upprepat hämtningsarbete och de relationer som teamen behövde se tillsammans. Därför kunde den första förändringen inriktas på de frågor där sammankopplad data skulle frigöra mest kapacitet.

    Leverans Förstudie levererad av vårt team.

  2. Steg 02 · Utforma och omvandla

    Så byggde vi en datamodell kring utredningsarbetet

    Vi utformade en högpresterande arkitektur med grafdatabas, optimerad för komplexa relationsfrågor, och förde in relationsdata i en struktur som passar utredningsarbete.

    Vi tränade maskininlärningsmodeller för mönsterigenkänning och avvikelsedetektering i transaktionsdata och byggde ett realtidsflöde för miljontals transaktioner per dag.

    Ett samlat datalager kopplade ihop avdelningarna kring en gemensam bild, med sammanhang och åtkomstkontroll inbyggda från början.

    NatusAI-produkter för den här förmågan

    Abstrakt bild av en tidsversionerad graf där relationerna behåller sin historik
    Varje transaktion och relation sparas med sin historik, så att ett mönster kan följas över tid.

Utrullning och införande

Abstrakt bild av en lägesbild där larm, transaktioner och deras historik är sammankopplade
Sammankopplad data gör bedrägeririsk till något styrelsen kan diskutera utifrån fakta.
  1. Steg 03 · Bygg

    Vad vi byggde

    En motor för bedrägeriupptäckt i realtid med löpande transaktionsövervakning, omedelbara larm och automatisk riskbedömning. Utredarna ser aktiviteten, riskmönstret och sammanhanget runt det.

    En plattform för dokumentanalys med frågor på vanligt språk, som kan bearbeta miljontals dokument på sekunder, så att analytiker kan ställa frågor i godkända dokumentsamlingar.

    Integration av kunddata med 360-gradersbild, med åtkomst och samarbetsverktyg över avdelningsgränserna.

    NatusAI-produkter för den här förmågan

  2. Steg 04 · Inför

    Så tog teamen till sig lösningen

    Utbildning och teknisk dokumentation för bankens medarbetare, uppbyggda kring de frågor utredare och analytiker redan ställer – med det sammanhang som behövs för att granska ett resultat i stället för att godta ett svar från en svart låda.

    NatusAI-produkter för den här förmågan

Levererat av NatusAI-teamet. Produktetiketterna visar vilken NatusAI-produkt som ger, eller planeras ge, varje förmåga; releasestatus finns under ”För ditt tekniska team”.

Utredare inom ekonomisk brottslighet granskar transaktionstabeller och ett relationsdiagram tillsammans (illustrativ bild)
Illustrativ bild.
Den mänskliga sidan

Vad som förändrades för risk-, bedrägeri- och complianceteamen

Mindre väntan mellan fråga och beslut, och mer tid för omdöme.

  • Bedrägeriutredare. Larmen kommer i realtid med grafen och historiken bakom, så att ett mönster kan följas i flera led och förklaras.

  • Complianceteam. Rapporteringen går 80 % snabbare, eftersom data redan är sammankopplad och frågor i dokumenten kan ställas på vanligt språk.

  • Kundnära medarbetare. En 360-gradersbild av kunden över avdelningsgränserna. Kundnöjdheten steg med 42 %.

Mätbara resultat som betyder något

Resultatet: analys av bedrägerier och regelefterlevnad i realtid

3 dagar → <1 s

komplexa relationsfrågor, från 3 bankdagar till under en sekund

85 %

bättre upptäckt av bedrägerier, enligt banken

70 %

högre produktivitet

80 %

snabbare regelefterlevnadsrapportering

42 %

högre kundnöjdhet

98 %

träffsäkerhet i dokumentanalysen enligt banken, för miljontals dokument i månaden

Siffror rapporterade av kunden vid projektets avslut.

Finansiell data och utredning

Nästa steg för samma grund

I de flesta banker ligger huvudboken, bedrägerimotorn, riskmodellen och revisionsspåret i olika system som hålls ihop av nattliga batchkörningar. En sammankopplad, tidsmedveten grund gör att du kan besluta, upptäcka och prognostisera på aktuella data.

Referensscenario

Kreditbeslut på ett ögonblick

Problemet
Att bevilja ett lån eller en limit kräver att sökandens historik och nätverk av åtaganden hämtas – oftast en långsam sammanslagning över flera system.
Angreppssättet
Hela transaktionshistoriken och motpartsnätverket finns på ett ställe. En scoringmodell bedömer dem och ger bifall eller avslag på ett ögonblick.
Resultatet
Kreditbeslut i realtid i kassan eller i appen, med exakt de data som låg till grund för beslutet.
Referensscenario

Upptäckt av bedrägerier och penningtvätt (AML)

Problemet
Bedrägerier och penningtvätt syns som mönster över tid – nätverk, kedjor av målvakter och plötsliga toppar – som kontroller rad för rad missar.
Angreppssättet
Följ pengarna i flera led, upptäck cirkulära flöden och plötsliga hastighetsökningar, och bedöm avvikelser medan transaktionerna sker.
Resultatet
Misstänkta mönster flaggas i realtid, med hela nätverket och historiken till hands för att utreda och förklara dem.
Referensscenario

Saldon och likviditet

Problemet
Treasury behöver även morgondagens saldon, men prognoserna ligger i kalkylblad som saknar koppling till den aktuella huvudboken.
Angreppssättet
Prognostisera saldot för varje konto och summera det till likviditet per kontor och för hela banken, och stresstesta sedan scenarier på samma data.
Resultatet
Framåtblickande likviditet att planera efter, uppdaterad löpande i stället för en gång i månaden.

”Hur såg den här exponeringen ut den 30 juni?” Varje transaktion och relation sparas med sin historik, så revision, regelefterlevnad och backtesting körs på samma data som aktuella beslut.

Referensscenarier för bank, försäkring och betalningar; illustrativa, inte kundresultat från NatusAI. Utlåning och kreditbedömning kan vara högrisk enligt bilaga III till AI-förordningen. Se styrning nedan.

Överförbarhet

Vad det betyder för banker, försäkringsbolag och betalningsinstitut

Banker, försäkringsbolag och betalningsinstitut som fortfarande väntar på batchavstämningar kan använda samma angreppssätt och börja med en enda utredningsväg: ett bedrägerinätverk, ett skademönster eller en regelefterlevnadsrapport.

Börja med frågan som väntar längst.

En utredningsväg, en uppsättning relationer som görs synliga och ett uppmätt före och efter.

Förklarbarhet kommer från sammanhang.

När utredarna ser nätverket och historiken bakom ett larm kan de försvara beslutet inför tillsynsmyndigheten.

Håll data där regelverket vill ha dem.

Graf, historik och analys kan köras som ett system på bankens egen infrastruktur.

Regelverk

Byggd för styrning enligt DORA, AML, Solvens II och AI-förordningen

Finansiella institut måste kunna förklara, återskapa och avveckla. Arkitekturen håller en namngiven person ansvarig för väsentliga beslut, sparar historiken som krävs för att rekonstruera dem och kan köras inom bankens egen perimeter.

  • DORA (tillämplig sedan 17 januari 2025): drift on-prem eller inom EU, en dokumenterad exitstrategi, underlag till ditt register över avtal med tredjepartsleverantörer av IKT-tjänster, belägg för återställning (verifierad återställning, NatusAI Gemini, på färdplanen)
  • Penningtvättsbekämpning (AML) och tillsyn av ekonomisk brottslighet: larm kopplade till transaktionerna, motparterna och historiken bakom dem, för utredningar som går att förklara
  • AI-förordningen: kreditprövning av fysiska personer är en högriskanvändning enligt bilaga III, och de fristående högriskkraven väntas gälla från 2 december 2027 (förutsatt slutligt antagande). Mänsklig tillsyn, loggning och dokumentation av datastyrning stödjer tillhandahållarens skyldigheter
  • Solvens II / Eiopa (försäkringsbolag): samma kontroller (mänsklig tillsyn, loggning, dokumenterade dataflöden och en dokumenterad exitplan) ger försäkringsbolag den dokumentation som granskningar av företagsstyrningssystem och utkontraktering efterfrågar. DORA gäller för försäkringsbolag precis som för banker
  • GDPR: behandling inom bankens egen miljö, dokumenterade dataflöden
  • Modellrisk: dokumentation som stöd för din interna validering (t.ex. SR 11-7 / OSFI E-22 för enheter i USA och Kanada)

NatusAI stödjer dina skyldigheter; det ersätter inte din juridiska bedömning eller tillsynsmyndighetens godkännande. Så stödjer NatusAI styrning enligt AI-förordningen, GDPR, DORA och NIS2

En kunskapsgraf: svar som kan spåras till sina fakta och relationer
För ditt tekniska team
  • Levererad arkitektur: en högpresterande grafdatabas för relationsfrågor, ML-baserad avvikelsedetektering i transaktionsdata, ett realtidsflöde (miljontals transaktioner per dag), ett samlat datalager över avdelningarna och ett dokumentanalyssystem med flera agenter och frågor på vanligt språk.
  • Motorns referensmönster: transaktioner indexeras när de kommer in, som versionerade kanter mellan konto-, kund- och motpartsnoder. Graf, tidsserier och ML i en motor. Frågor mot valfri tidpunkt. En binärfil i egen driftmiljö.
  • Plattformens uppdelning: NatusAI Cygnus (planerad v1), NatusAI Auriga (på färdplanen), NatusAI Aquila (på färdplanen), NatusAI Orion (på färdplanen), NatusAI Lyra (tillgänglig).
Frågor

Frågor från riskchefer och chefer för bekämpning av ekonomisk brottslighet

Hastighet, förklarbarhet, driftsättning och bredare effekter.

Hur snabba kan komplexa relationsfrågor bli?

I den här banken besvarades komplexa frågor som tog 3 bankdagar på under en sekund, samtidigt som systemet hanterade miljontals transaktioner per dag.

Kan utredarna förklara ett larm som AI har tagit fram?

Ja. Varje larm kommer med transaktionerna, motparterna och historiken bakom, så utredarna granskar sammanhanget i stället för att godta en poäng från en svart låda.

Kan lösningen köras on-prem?

Ja. Arkitekturen kan köras som ett system i egen driftmiljö på bankens egen infrastruktur.

Fungerar samma angreppssätt för försäkringsbolag?

Ja. Kundcaset genomfördes hos en bank, och mönstret fungerar överallt där svar om bedrägerier, skador eller regelefterlevnad beror på relationer och historik. Samma kontroller stödjer den styrningsdokumentation som försäkringsbolag tar fram enligt Solvens II och DORA; NatusAI intygar inte regelefterlevnad.

Vad mer förbättrades utöver bedrägeriupptäckten?

Regelefterlevnadsrapporteringen gick 80 % snabbare, produktiviteten steg med 70 % och kundnöjdheten med 42 %, tack vare en 360-gradersbild av kunden över avdelningsgränserna.

Kundresultat
Diskutera ett liknande projekt

Vilken sammankopplad fråga tar för lång tid i dag?

Börja med en utredningsväg och gör dess relationer synliga. På 30 minuter skissar vi hur vi skulle mäta förändringen och hur den passar in i ditt ramverk för DORA och modellrisk.

  • Börja med en avgränsad förstudie som avslutas med ett tydligt beslut: gå vidare eller inte.
  • Referenssamtal om det här kundcaset kan ordnas under sekretessavtal (NDA) efter en första genomgång.

Eller skriv till contact@natusai.com

En liten ledningsgrupp går igenom en resultatsammanfattning på en sida i ett mötesrum (illustrativ bild)