Banken

Voorspel pogingen tot fraude, verminder risico’s op leningen, voldoe aan de privacywetgeving
Banking

Digitale transformatie.

Banken hebben te maken met cybercriminaliteit en witwaspraktijken. De wetgever legt daarom steeds strengere regelgeving op aan financiële instellingen om dit tegen te gaan. Klanten verlangen van hun bank dat deze discreet omgaat met hun gegevens. Zowel met hun persoonsgegevens als met hun financiële gegevens. Tegelijkertijd willen klanten (digitale) dienstverlening van hun bank die is afgestemd op hun persoonlijke behoefte. Dat wil zeggen: producten en diensten die zijn afgestemd op hun persoonlijke behoeften. Financiële instellingen werken dus in een complex spanningsveld.

Er is voldoende betrouwbare data nodig om fraude goed te detecteren en risico’s te berekenen om kredieten mee te verstrekken. Zonder gegevens kunnen banken geen strategische en operationele beslissingen nemen. Daardoor verliezen ze echter een aanzienlijk concurrentievoordeel. Banken en andere financiële instellingen moeten dus deze gegevens gebruiken zonder dat ze daarbij de wet overtreden of de privacy van hun klanten schenden.

Uitdagingen.

Data van derden en openbaar beschikbare data zijn een aanvulling op de bestaande bronnen waaruit banken kunnen putten. Angst voor privacy en om niet compliant te zijn, maken het gebruik van data echter tot een risico.

Een andere complicerende factor is dat banken in silo’s zijn onderverdeeld. Business lines werken geïsoleerd: data-eigenaren en dataconsumenten zijn afzonderlijke entiteiten. Bestaande datasets zijn vaak te klein of onvolledig om voorspellende, machine learning-modellen nauwkeurig te trainen.

... Without data, banks cannot make strategic and operational decisionsZonder gegevens kunnen banken geen strategische en operationele beslissingen nemen.

... Angst voor privacy en om niet compliant te zijn, maken het gebruik van data echter tot een risico.

Use cases

Fraude-opsporing

Robuuste en accurate fraudemodellen

Cybercrime en andere vormen van fraude zijn een bedreiging voor banken. Anti Money Laundering (AML)-modellen maken patronen van criminele activiteiten inzichtelijk. Met voldoende nauwkeurige gegevens kunnen banken hun fraudedetectiemodellen verbeteren. Ze kunnen er risicoscenario’s mee simuleren en risicobeheerstrategieën verfijnen. Met synthetische data kunnen banken alsnog hoogwaardige modellen maken om fraude tegen te gaan.

Kredietscores

Nauwkeurige beslissingen nemen bij het verstrekken van leningen

Kredietverstrekkers willen zorgvuldige beslissingen kunnen nemen over het verstrekken van krediet. Ze willen de kredietwaardigheid van hun klanten zo goed mogelijk begrijpen. Met synthetische gegevens kunnen financiële instellingen kredietscores van klanten robuuster berekenen. Zo kunnen zij gefundeerde beslissingen nemen en risico’s verlagen.

Stresstesten en scenarioanalyses

Zwakke plekken tijdig opsporen en aanpakken

Het bankentoezicht voert stresstests uit om in kaart te brengen hoe goed banken bestand zijn tegen financiële en economische schokken. Aan de hand daarvan kunnen toezichthouders zwakke plekken in een vroeg stadium opsporen. En deze in overleg met de bank aanpakken. Data uit de real-world om uiteenlopende scenario’s uit te werken, is moeilijk of zelfs onmogelijk te verkrijgen. Synthetische data biedt hier uitkomst.

Software ontwikkelen en testen

Gevoelige gegevens veilig delen met derden

Digitale producten met gepersonaliseerde diensten vereisen het uitwisselen van gegevens met derden. Voorbeelden zijn apps voor mobiel bankieren en software voor klantrelatiebeheer. Synthetische gegevens stellen banken en financiële instellingen in staat om veilig gegevens te delen voor softwareontwikkeling en het testen van software.