Strises ståndpunktsdokument om data
Sätter standarden för etisk datapraxis inom AML
Sammanfattning
Strise omvandlar fragmenterade AML-data till handlingsbara insikter genom SuperData, plattformens lager för data och entitetsupplösning. Kärnan i vår metod är ett engagemang för etisk datapraxis, regelefterlevnad samt transparent leverantörsutvärdering och datakvalitetssäkring.
Introduktion
Hantera AML:s datautmaningar
Inom AML är problemet tvådelat: fragmenterade datamängder och ineffektiva arbetsflöden. Strise hanterar dessa utmaningar med avancerade grafmodeller, transparent användning av AI och robusta leverantörsutvärderingar.
Vad som utmärker Strise
Strises arkitektur utför datainhämtning och bearbetning innan AML-handläggare genomför due diligence. Alla kunder prenumererar på samma sanningskälla i en molnmiljö med fleranvändararkitektur (multi-tenant).
Fördelar med förbearbetning
- Dynamiska äganderättsförändringar: Automatisk screening när förändringar i äganderätt sker
- Konflikthantering: Identifierar äganderättskonflikter mellan manuella redigeringar och registeruppdateringar
- Dataintegritet: Behåller alltid ursprungsversionen av data
Fördelar med multi-tenant-arkitektur
- Kostnadseffektivitet: Delad infrastruktur sänker kostnaderna
- Sömlösa uppdateringar: Uppdateringar i realtid för alla kunder
- Skalbarhet: Växer i takt med kundernas behov
- Gemensamma insikter: Samlade, anonymiserade förbättringar
- Förenklad integration: Konsekvent API och konsekventa datamodeller över alla klientorganisationer
- Förbättrad säkerhet: Strikt datasegregering, kryptering, efterlevnad av GDPR och AMLD6
Datafilosofi
- Etisk dataanvändning: Bygger på offentligt tillgängliga data
- Kvalitet först: Betrodda dataleverantörer med kontinuerlig utvärdering
- Inbyggt dataskydd (Privacy by Design): Integritetsskydd inbyggt i varje steg
- Transparent AI: Tydlig insyn i AI-beslutsfattande
Hur Strise använder data
Strise använder grafmodeller för att representera den komplexa väven av relationer i näringslivet. Vår 7-stegsprocess (steg 2–5 sker före due diligence):
1. Sourcing data
- Lokala register: Prioriteras för precision via mellanhänder som Creditsafe
- Globala källor: Partnerskap med Sayari Labs för svårtillgängliga jurisdiktioner
- Regulatoriska listor: Täckning av sanktioner och PEP via Trapets och Dow Jones
- Dynamiska uppdateringar: Alla källor uppdateras dagligen
2. Automatic cleaning and deduplication
- Triangulering: Korsreferering av flera källor
- Utnyttjande av metadata: Födelsedatum, adresser för validering
- Användarvänliga verktyg för deduplicering: Intuitivt gränssnitt för manuell granskning
3. Manual cleaning and deduplication
- Dynamisk länkning: Knappen "Koppla ägare" för entiteter med begränsad information
- Effektiviserad sökning: Resultat filtrerade efter land och entitetstyp
- Flexibel sammanslagning: Trygg sammanslagning med stöd av metadata
4. Control calculations
Äganderätt i Strise avser relationer där entiteter äger andelar i andra entiteter, inklusive indirekt ägande genom flera led.
Verkliga huvudmän kontra antagna verkliga huvudmän:
- Verkliga huvudmän: Fysiska personer som äger eller kontrollerar en entitet genom äganderätt, familjeband eller avtal
- Antagna verkliga huvudmän (ABO): Fysiska personer vilkas status som verklig huvudman Strise bedömer med lägre konfidensgrad
Landsspecifika riktlinjer finns tillgängliga för Norge, Danmark, Sverige, Finland och Storbritannien.
5. Manual editing of data
Användare kan redigera befintliga ägare, ta bort ägare eller roller samt lägga till nya ägare eller roller. Alla ändringar återspeglas omedelbart över hela plattformen och taggas med den användare som gjorde dem.
6. Screening
- Anpassningsbar fuzzy matching: Justerbara tröskelvärden för screeningprecision på teamnivå
- Screening mot sanktioner: Konsoliderade data från OFAC, OFAC SDN, Storbritannien, EU och FN
- Screening av PEP och RCA: Data från Trapets och Dow Jones
- Adverse Media Screening (AMS): Egenutvecklad NLP-baserad lösning som bearbetar miljontals artiklar dagligen
7. Monitoring
- Kontinuerlig kundövervakning: Automatisk flaggning av förändringar
- Kontinuerliga riskuppdateringar: Automatiserade riskbedömningar som utlöses av dataförändringar
- Anpassningsbara automatiserade kontroller: Regelkonfiguration utan kod
- Global screening av PEP och sanktioner: Kontinuerlig, automatiserad regelefterlevnad
Leverantörsutvärdering
- Årliga omutvärderingar: Utvärderingar av GDPR, säkerhet och datakvalitet
- Benchmarking: Regelbundna jämförelser med konkurrenter
- Certifieringar: Leverantörer certifierade enligt ISO 27001 och SOC 2 typ II
Friskrivning om datakvalitet
Datakvaliteten beror på tredjepartsleverantörer och offentliga källor. Täckningen varierar mellan länder. Strise arbetar kontinuerligt för att förbättra datakvaliteten genom partnerskap och teknik.
Åtaganden och framtidsvision
Strise har åtagit sig att upprätthålla en etisk, transparent och säker datapraxis. Vi kommer att fortsätta investera i datakvalitet, leverantörsutvärdering och AI-transparens för att säkerställa att våra kunder har bästa möjliga verktyg för regelefterlevnad inom AML.
Senast uppdaterad