TER ERE VAN HOLGER WANDT: Klanten screenen met high precision matching

Vandaag eren wij de nagedachtenis van Holger Wandt, onze dierbare collega en een van de grondleggers van onze principes voor natuurlijke taalverwerking, die precies een jaar geleden is overleden.

Holger deelde graag zijn kennis over uiteenlopende onderwerpen. Al in 2016 sprak hij gepassioneerd en overtuigend over het belang van High Precision Matching voor financiële organisaties; een onderwerp dat 5 jaar later nog steeds zeer actueel is.

Ter ere van zijn nalatenschap delen we nogmaals zijn blog 'Klanten screenen met high precision matching'. Wij hopen u hiermee niet alleen te inspireren, maar ook ervoor te zorgen dat zijn kennis voortleeft.

Klanten screenen met high precision matching

Aangezien alle financiële organisaties moeten aantonen dat zij voldoen aan een steeds groter aantal regels en wetten, zullen veel verkopers van klantenscreeningsystemen beweren dat hun producten geautomatiseerde Customer Due Diligence (CDD)-processen bevatten. Het regelmatig screenen van klanten om na te gaan of er verdachte of gesanctioneerde personen en organisaties in de dataset zitten, is immers een integraal onderdeel van risicobeheer.

De echte uitdaging ligt echter in de kwaliteit van het screeningproces. Dit proces moet gericht zijn op kostenefficiëntie, een betere klantenervaring en operationele voordelen. En dat is alleen mogelijk als je de gegevens die je matcht "begrijpt".

High precision matching (HPM) is een methode waarbij probabilistische en deterministische methoden worden ingezet om een zo goed mogelijk resultaat te bereiken. Met andere woorden, high precision matching maakt gebruik van fuzzy logic methoden in combinatie met kennis over namen, naamgevingsconventies, rechtsvormen, bedrijven, afkortingen, acroniemen, culturele gewoonten en dergelijke.

Het is in feite de ideale methode om te voldoen aan de eisen van een echt gesofisticeerd screeningproces. Laten we eens kijken naar enkele van die eisen:

Kunnen matchen met een grote verscheidenheid aan externe en interne lijsten, ook als deze lijsten namen bevatten van personen of organisaties die niet in het Latijnse schrift staan (denk aan Arabisch, Mandarijn-Chinees, Hebreeuws, enzovoort). HPM past solide transliteratiecapaciteiten toe om tot zeer betrouwbare resultaten te komen. Bovendien worden de resultaten van alle matching tegen alle lijsten geconsolideerd in één enkel overzicht.

Realistische matching-scores genereren: De gegevens in veel lijsten zijn vaak verkeerd gespeld, onvolledig of verkeerd gerangschikt (Xao Yin Pin <--> Pin Yin Xao). Bovendien worden er aliassen en bijnamen gebruikt, evenals allerlei verschillende datumnotaties. Met dit in het achterhoofd is een matching-score van 100% (zoals door veel leveranciers wordt opgegeven) helemaal niet realistisch. HPM genereert een nauwkeurigheidsscore die in overeenstemming is met de kwaliteit van de records die worden vergeleken, zonder de werkelijke match te missen!

Vermindering van het aantal fout-positieven: Als de matching tool matches produceert, die in feite no-matches zijn (geen accurate hits tegen de verschillende verdachtenlijsten), is er veel handmatig herwerk nodig om deze false positives daadwerkelijk te controleren. Met HPM is een vermindering van het aantal valse positieven tot 90% in de praktijk bewezen.
Het echte risico wordt niet gemist (geen valse negatieven). Als een reëel risico wordt gemist en niet wordt gemarkeerd voor verdere verwerking, zullen organisaties de gevolgen van dergelijke valse negatieven moeten dragen.

Zoals ik al zei, zijn dit slechts enkele van de vereisten voor een geavanceerd screeningproces. Uiterst nauwkeurige matching is de belangrijkste bepaling om kostenefficiëntie, een betere klantervaring en operationele voordelen te bereiken. Lees voor meer informatie onze whitepaper 'De voordelen van matching met hoge precisie in geautomatiseerde screening'. Veel plezier!