이를 통해 오탐을 줄이고, 추가 비용 없이 AML 탐지를 개선할 수 있습니다. 그 구원 투수들은 바로 고급 분석, 예측 모델, 머신러닝입니다. 이 기술들은 새로운 차원의 AML 탐지를 가능케 합니다.

▲ 고급 분석, 예측 모델, 머신러닝 기술들은 새로운 차원의 AML 탐지를 가능케 합니다.

국제자금세탁방지기구(FATF; Financial Action Task Force)와 금융정보분석원(Ko-FIU; Financial Intelligence Unit)에서 추진하고 있는 위험 기반 접근법(Risk-Based Approach)에 따라 금융 기관은 고객이 새로운 계좌를 개설하거나 특정 이벤트 및 일정 기간마다 고객에 대해 적절한 위험 평가를 진행해야 합니다. 이때 고급 가중치-요인 모델(advanced weight-factors models)을 통해 위험을 실시간으로 예측할 수 있습니다. 행동이나 상황이 변하면 점수가 새롭게 계산되죠. 더 나은 결과를 위해 고객이 사망하거나 은행 거래를 중단할 때까지 일, 주, 월 단위의 지속적인 고객 확인 프로세스가 권장됩니다. 이때 이 모델에 대한 거버넌스가 필요한데요. 고급 분석을 통해 KYC 데이터 내에서 탐지에 영향을 미칠 변수를 확인할 수 있습니다.

잘못된 경보를 남발하지 않고 AML을 탐지하기 위해 필요한 다음 단계는 ‘거래 검토’입니다. 오늘날 사용되는 대다수의 탐지 시스템은 거래 이력에 대한 정적인 특성(static profiles)을 기반으로 하는데요. 더 이상 이것만으론 충분하지 않습니다! 탐지에 대한 복합적인(hybrid) 접근이 필요합니다. 새로운 시나리오를 구축할 때 이상 행위 탐지(anomaly detection), 텍스트 마이닝(text mining), 고급 피어 그룹 기능(advanced peer group capabilities) 나아가 예측 모델을 포함시켜야 합니다. 의심스러운 거래 행위 보고(SAR; Suspicious Activity Reports)에 대한 공시율을 개선하는 유일한 솔루션이자, 실제 상황에서 신속하고 효율적으로 탐지할 수 있는 방법이죠!

새로운 규정은 금융 기관에게 어려운 주문이고, 실제 많은 기관들은 도전 과제에 직면할 것입니다. 그러나 자금세탁방지 체계가 제대로 기능을 발휘한다면 그로 인한 혜택은 상당할 것이며, 금융 기관은 전체 컴플라이언스 절차를 강화할 수 있을 것입니다.

▲ 자금세탁방지 체계가 제대로 기능을 발휘한다면 그로 인한 혜택은 상당할 것이며,

금융 기관은 전체 컴플라이언스 절차를 강화할 수 있을 것입니다.

자금세탁방지 규제 강화의 움직임은 비단 유럽만의 일이 아닙니다. 미국을 포함한 금융 선진국들은 앞다퉈 다국적 금융 기업의 해외 지점에 대한 금융 규제 및 감독 수준을 높이고 있습니다. 글로벌 금융 사기 규제의 핵심 쟁점으로 떠오른 자금세탁방지와 대응책을 SAS 블로그를 통해 살펴보세요. 또 의심스러운 활동 감시, 신속한 의사 결정, 규제 준수에 대한 보다 자세한 정보는 SAS 홈페이지를 통해 확인할 수 있습니다.

저자

크리스토퍼 게너(Christopher Ghenne) | 금융 범죄 전문가

편집

조민기 수석 | SAS 코리아 사기방지 솔루션 담당