Strises positionspapir om data
Sætter standarden for etisk datapraksis inden for AML
Sammenfatning
Strise omdanner fragmenterede AML-data til brugbar indsigt gennem SuperData, platformens data- og entitetsopløsningslag. Kernen i vores tilgang er et engagement i etisk datapraksis, regulatorisk compliance samt gennemsigtig leverandørevaluering og datakvalitetssikring.
Introduktion
Håndtering af dataudfordringerne inden for AML
Inden for AML er problemet todelt: fragmenterede datasæt og ineffektive arbejdsgange. Strise adresserer disse udfordringer med avancerede grafmodeller, gennemsigtig brug af AI og solide leverandørvurderinger.
Hvad der adskiller Strise
Strises arkitektur udfører dataindlæsning og -behandling, før AML-sagsbehandlere udfører due diligence. Alle kunder tilgår den samme kilde til sandhed i et multi-tenant cloud-miljø.
Fordele ved forbehandling
- Dynamiske ejerskabsændringer: Automatisk screening, når der sker ændringer i ejerskab
- Konfliktløsning: Identificerer ejerskabskonflikter mellem manuelle redigeringer og registeropdateringer
- Dataintegritet: Bevarer altid den oprindelige version af data
Fordele ved multi-tenant-arkitektur
- Omkostningseffektivitet: Delt infrastruktur reducerer omkostningerne
- Sømløse opdateringer: Realtidsopdateringer til alle kunder
- Skalerbarhed: Vokser i takt med kundernes behov
- Kollektiv indsigt: Samlede, anonymiserede forbedringer
- Effektiv integration: Ensartede API- og datamodeller på tværs af tenants
- Forbedret sikkerhed: Streng datasegregation, kryptering, GDPR- og AMLD6-compliance
Datafilosofi
- Etisk databrug: Bygget på offentligt tilgængelige data
- Kvalitet først: Betroede dataleverandører med løbende evaluering
- Privacy by Design: Databeskyttelse integreret i alle faser
- Gennemsigtig AI: Klar indsigt i AI-beslutningstagning
Sådan bruger Strise data
Strise bruger grafmodeller til at repræsentere det komplekse netværk af relationer i erhvervslivet. Vores 7-trins proces (trin 2-5 foregår før due diligence):
1. Indsamling af data
- Lokale registre: Prioriteret for præcision via mellemmænd som Creditsafe
- Globale kilder: Partnerskaber med Sayari Labs for svært tilgængelige jurisdiktioner
- Regulatoriske lister: Dækning af sanktioner og PEP via Trapets og Dow Jones
- Dynamiske opdateringer: Alle kilder opdateres dagligt
2. Automatisk rensning og deduplikering
- Triangulering: Krydsreferencer mellem flere kilder
- Udnyttelse af metadata: Fødselsdatoer, adresser til validering
- Brugervenlige deduplikeringsværktøjer: Intuitiv grænseflade til manuel vurdering
3. Manuel rensning og deduplikering
- Dynamisk sammenkædning: Knappen "Tilknyt ejer" for entiteter med begrænsede oplysninger
- Optimeret søgning: Resultater filtreret efter land og entitetstype
- Fleksibel fletning: Sikker fletning understøttet af metadata
4. Kontrolberegninger
Ejerskab i Strise henviser til relationer, hvor entiteter ejer dele af andre entiteter, herunder indirekte ejerskab gennem flere lag.
Reelle ejere vs. formodede reelle ejere:
- Reelle ejere: Fysiske personer, der ejer eller kontrollerer en entitet gennem ejerskab, familieforbindelser eller aftaler
- Formodede reelle ejere (ABO'er): Fysiske personer, hvis status som reel ejer Strise har lavere tillid til
Landespecifikke retningslinjer er tilgængelige for Norge, Danmark, Sverige, Finland og Storbritannien.
5. Manuel redigering af data
Brugere kan redigere eksisterende ejere, slette ejere eller roller og tilføje nye ejere eller roller. Alle ændringer afspejles øjeblikkeligt på tværs af platformen og tagges med den bruger, der foretog dem.
6. Screening
- Fuzzy matching, der kan tilpasses: Justerbare tærskler for screeningpræcision på tværs af hele teamet
- Screening for sanktioner: Konsoliderede data fra OFAC, OFAC SDN, Storbritannien, EU og FN
- PEP- og RCA-screening: Data fra Trapets og Dow Jones
- Adverse Media Screening (AMS): Proprietær NLP-baseret løsning, der behandler millioner af artikler dagligt
7. Overvågning
- Kontinuerlig kundeovervågning: Automatisk markering af ændringer
- Løbende risikoopdateringer: Automatiserede risikovurderinger udløst af dataændringer
- Automatiserede kontroller, der kan tilpasses: No-code-regelopsætning
- Global PEP- og sanktionsscreening: Kontinuerlig, automatiseret compliance
Leverandørevaluering
- Årlige genevalueringer: Evalueringer af GDPR, sikkerhed og datakvalitet
- Benchmarking: Regelmæssige sammenligninger med konkurrenter
- Certificeringer: ISO 27001- og SOC 2 Type II-certificerede leverandører
Ansvarsfraskrivelse vedrørende datakvalitet
Datakvaliteten afhænger af tredjepartsudbydere og offentlige kilder. Dækningen varierer fra land til land. Strise arbejder løbende på at forbedre datakvaliteten gennem partnerskaber og teknologi.
Forpligtelser og fremtidsvision
Strise er forpligtet til etisk, gennemsigtig og sikker datapraksis. Vi vil fortsat investere i datakvalitet, leverandørevaluering og AI-transparens for at sikre, at vores kunder har de bedst mulige værktøjer til AML-compliance.
Sidst opdateret