Dalam artikel sebelumnya "Melawan Penipuan Finansial dengan Menggunakan Machine Learning" telah disampaikan bahwa volume pencucian uang dan kejahatan keuangan lainnya berkembang di seluruh dunia. Teknik yang digunakan untuk menghindari deteksi pencucian uang (money laundering) menjadi semakin canggih. Hal ini telah menimbulkan tanggapan yang kuat dari bank, yang secara kolektif menginvestasikan miliaran setiap tahun untuk meningkatkan pertahanan mereka terhadap kejahatan keuangan (pada tahun 2020 menghabiskan sekitar $214 miliar untuk kepatuhan kejahatan keuangan).
Penipuan melalui transaksi keuangan berkembang pesat beberapa tahun terakhir. Menurut survei PYMNTS and Featurespace pada tahun 2022 terhadap 200 pemimpin senior, banyak lembaga keuangan melaporkan tingkat penipuan yang lebih tinggi dibandingkan tahun 2021 yang lalu.
Machine Learning yang digunakan dunia perbankan telah membantu bank untuk meningkatkan program Anti Money Laundering (AML) secara signifikan yang dapat ditiru oleh perusahaan lain. Oleh karena semakin tingginya volume pencucian uang dan  kejahatan keuangan lainnya, maka kini saat beralih ke model ML (machine learning) untuk pemantauan transaksi.
Namun sebelumnya, institusi non bank harus belajar kepada bank yang bisa menjawab tiga pertanyaan utama sebagai berikut:
- Di mana bank harus menggunakan pembelajaran mesin (machine learning)?
- Sumber data tambahan apa yang dibutuhkan?
- Bagaimana seharusnya bank melayani model tersebut?
Ketiga jawaban pertanyaan tersebut dipaparkan sebagaimana berikut di bawah ini.
Sebagai permulaan, penting untuk memahami situasi di mana bank dapat menggunakan machine learning (ML) secara efektif dan di mana yang tidak bisa. Pembelajaran mesin (machine learning) tentu menguntungkan ketika ada tingkat kebebasan yang tinggi dalam memilih atribut data, serta ketersediaan data berkualitas yang memadai (misalnya, dalam skenario di mana ada pergerakan dana yang cepat dan sejumlah besar atribut dapat dipertimbangkan).
ML juga mempermudah untuk mengidentifikasi dinamika dan hubungan antara faktor-faktor risiko. Namun, ML tidak berguna jika data yang ada tidak cukup untuk membangun kecerdasan berwawasan ke depan. Dalam kasus ini, pendekatan tradisional dengan alat berbasis aturan dan skenario, malah lebih efektif.
Saat bekerja dengan laporan aktivitas mencurigakan, kualitas data yang buruk pasti mengarah pada kinerja model yang buruk. Merupakan sesuatu yang penting untuk tidak terlalu bergantung pada kategori laporan aktivitas mencurigakan (misalnya, penataan, pendanaan teroris, pencucian uang, penipuan), yang terbatas di dunia saat ini.Â
Dengan pemikiran tersebut, institusi dapat menjajaki berbagai inisiatif dalam meningkatkan pengumpulan data untuk model ML. Hal tersebut berguna dalam menyediakan konteks yang diperkaya untuk pemantauan transaksi, termasuk pemodelan terhadap transaksi atau kasus individu, komponen pengajuan laporan aktivitas mencurigakan atau hubungan klien yang dihentikan karena alasan AML, dan data dari panggilan pengadilan historis dan permintaan informasi penegakan hukum lainnya.
Model ML yang lebih kompleks ini dapat menggabungkan berbagai elemen dan variabel baru, seperti berikut ini:
- data klien yang disempurnakan (misalnya, sifat bisnis, jenis klien)
- data produk yang lebih komprehensif (misalnya, jenis dan penggunaan produk granular)
- data saluran yang lebih terperinci (misalnya, saluran untuk produk yang berbeda)
- indikator risiko lintas jenis risiko (misalnya, geografi bisnis)
- sumber data eksternal (misalnya, data biro, pencatatan kejahatan keuangan)
