В октябре 2018 года Банк России рекомендовал проводить онлайн-контроль банковских операций. Банки столкнулись с необходимостью проверять платежные поручения клиентов еще до их отправки получателям.
Два года назад преобладал ручной контроль операций с элементами неглубокой автоматизации, поэтому было невозможно проверить быстро тысячи платежных поручений. В случае задержки оплаты банк нес репутационные потери и мог лишиться клиентов, а когда пропускал непроверенные операции, увеличивался риск санкций со стороны регулятора в виде крупных штрафов или даже потери лицензии.
Сложившийся запрос придал импульс развитию рынка автоматизированных решений по проверке транзакций. Сейчас сервисы по проверке банковских операций (AML-решения) проходят стадию наращивания функциональности. Очевидно, что в ближайшие два-три года они продолжат активно развиваться, их доработают до состояния зрелых продуктов.
Стоит отметить, что интерес к рынку AML-решений растет. Игроков привлекает высокий чек на продукт и возможность получить различные агрегированные данные на базе транзакций.
Наиболее активные игроки — производители АБС (автоматизированных банковских систем) и антифрода. Контур.Призма вышла на AML-рынок в 2019 году и продолжает строить решение с пятью пилотными банками.

Основной критерий качественной AML-системы для банков — точность проверки. Существующие решения помогают пропустить транзакции через крупные фильтры, обеспечивающие простые методы проверки. Например, проверить получателя платежа на наличие рискового ОКВЭДа. После этого достаточно много транзакций возвращается на ручной контроль, который проводят специалисты финансового мониторинга. В итоге онлайн проверка происходит в авральном режиме и риски санкций снижаются незначительно.
Узнайте подробнее об AML в Контур.Призме
Не смотря на «сырость» сервисов, банки предпочитают приобретать сторонние решения из-за ограниченности собственных IT-ресурсов. Важный параметр — перспективы развития продукта в области машинного обучения (ML). Методы позволяют точнее выявлять сомнительные операции в деятельности клиента, поскольку используют анализ текста назначения платежа.
Некоторые сценарии применения ML
Ломка назначения платежа и транзитных операций
Основной критерий этой схемы — соответствие вида деятельности получателя и отправителя платежа его содержанию.
Предположим, клиент банка занимается торговлей продуктами. Он отправляет деньги за металлопрокат продавцу леса. Если сумма таких «странных» операций существенна, то у банка возникает вопрос об экономическом смысле деятельности клиента.
Дополнить картину помогает совмещение «карт видов деятельности» клиента и его корреспондентов. Если бизнес-окружение клиента не соответствует заявленным видам деятельности, это серьезный триггер сомнительности деятельности клиента.
Ломка НДС
Для этой схемы важно очистить денежный поток клиента от налогов, хозяйственных расходов, социальных отчислений и других расходов и доходов, не связанных напрямую с коммерческой деятельностью. После этого нужно «вынуть» НДС из текста платежа, сопоставить данные на входе и выходе.
Чтобы заработал этот непростой сценарий, необходимо пропустить транзакции через несколько ML-моделей.
Точность проверки таких схем обеспечивается рутинным трудом, связанным с разметкой десятков тысяч транзакций и ML-моделированием до достижения целевой точности.
Почему мы считаем, что точность AML Призмы будет выше, чем у конкурентов?
Во-первых, у нас уже есть положительный опыт работы с командой Лепрекона, которая создана в Контуре и специализируется на разработке машинного обучения.
В 2020 году мы научились автоматически определять рисковые назначения платежа, связанные с торговлей табачными изделиями, автомобилями, продуктами. Согласно письму Банка России, рисковое назначение платежа — один из признаков схемы «теневая инкассация». Автоматическое определение категории платежа позволило сократить выборку транзакций, передаваемых на ручной контроль до 3,5 % от их общего числа. В итоге сотруднику финансового мониторинга нужно просмотреть не тысячу транзакций, а всего 35. Используя полученный опыт, мы автоматизируем и другие схемы для поиска сомнительных операций.
Во-вторых, уникальное конкурентное преимущество Контура — синергия с данными Призмы и Фокуса. Мы обогащаем анализ текста информацией об отправителе и получателе платежа из внешних открытых источников и закрытых списков. Благодаря этому AML-сервис Контур.Призмы достигает точности, которой не обладают другие продукты.
Основной целевой ориентир развития AML Контур.Призмы в 2021 году — совершенствовать точность проверки на базе методов машинного обучения. Уже сейчас машинное обучение используется в методе «теневая инкассация», каждый банк может проверить тысячи транзакций.
Ольга Стаднийчук, продукт-менеджер AML-сервисов в Контур.Призме