|
|
 |
 |
|
 |
|
|
자금세탁방지의 시작부터 끝까지 모든 프로세스를 지원하는
-SAS® 자금세탁방지 솔루션-
|
|
|
 |
 SAS Korea Risk & Compliance 팀장 |
| 이 주 철 (E-mail : jeicy.lee@sas.com) |
|
 |
|
1. 접근 방법 : Risk Based Approach
SAS® 자금세탁방지(AML) 솔루션은 SAS 와 세계적인 유수 금융기관인 Bank Of America 와 모건스탠리가 공동으로 개발한 솔루션으로 자금세탁방지의 Global Best practice를 담고 있으며, 세계각국에서의 성공 사례를 가지고 있는 검증된 솔루션이다.
SAS의 AML 솔루션은 Data management (ETL Process), Standard Data Model, 사전 정의된 시나리오(Rule)와 Risk Factor에 의한 Scoring Model을 제공하고 있을 뿐 아니라, 대내외 보고를 위한 Reporting 기능까지를 포괄하는 자금세탁방지의 시작부터 끝까지의 프로세스를 지원하는 end-to-end 솔루션이다.
이러한 SAS AML 솔루션의 Framework은 SAS가 보유하고 있는 다양한 Analytical Solution (Basel II & Compliance 및 분석tool)의 통합을 가능하게 함으로써, 솔루션의 활용도를 극대화할 수 있도록 해준다.
또한, 전세계 각국의 Reference를 확보하고 있어 SAS 고객사를 대상으로 한 자체적인 Global 자금세탁방지 User Forum을 매년 개최, 세계각국의 자금세탁방지 Knowledge의 Share 및 지속적인 솔루션의 버전 업그레이드를 진행하고 있다.
일반적으로 AML을 수행하는 데는 Monitoring Approach이라고 부르는 접근방법, 즉 사전에 정의해 놓은 자금 세탁 협의거래로 예상되는 시나리오를 설정한 후, 그 시나리오에 해당하는 거래를 분류해내는 방식이 사용되고 있다. 이 방식은 사용자가 직관적으로 이해하기 쉽고, 간편하나 이때 산출되는 데이터가 시나리오에 해당되는 다량의 데이터이기 때문에 의사결정에 활용하기 위해서 추가적인 데이터 선별 작업이 요구된다.
이런 문제점을 해결하기 위해 SAS 자금세탁방지 솔루션은 여기에 “Risk Based Approach”를 추가적으로 채택하고 있다. Risk Based Approach 방식은 시나리오를 통해서 발생하는 경보(Alert) 에 Money laundering 관련 Risk Factor를 적용함으로써, 계좌 및 고객을 대상으로 위험의 정도(Risk Score)를 산출하는 방식으로 자금세탁혐의가 높은 계좌 및 고객을 효율적으로 발굴해 낼 수 있다는 장점을 제공한다.
이러한 Risk Based Approach는 감독기관에서 일반적으로 요구하는 혐의거래 선별 기준에 은행 자체의 고객 및 거래 특성을 반영할 수 있다는 장점을 제공하여 준다.
[그림1] Risk Factor를 반영한 Risk based Approach 방식
2. 업무처리 프로세스 및 기능
SAS® 자금세탁방지 솔루션은 “그림2”와 같은 업무처리 프로세스를 통해 사용자들이 자금세탁 방지 업무를 효율적으로 수행하도록 지원한다.
[그림2] 자금세탁방지 프로세스
1) 데이터 관리 컴포넌트(Data Management Component)
자금세탁방지를 위한 프로세스 전산시스템 구축에 있어서 우선적으로 Customer 및 Transaction Monitoring을 위한 Data Collection이 진행되어야 한다. 이와 관련된 시스템적인 문제점에는 자금세탁의 혐의거래는 정형화되기 어렵고, 정형화되었더라도 계속적으로 발생되는 패턴의 변화를 반영하기 위한 고객현금거래 이외의 데이터 확보가 필요하게 된다. 그러나, 금융기관의 현금성 거래건수 및 거래 채널의 다양성은 데이터 확보 및 유지보수 면에서 많은 어려움을 가져다 주며, 입/출금 거래에 대한 Monitoring에 있어 실시간 처리는 사실상 불가능하기 때문에 이에 대한 Data Mart의 구축이 필연적이라 할 수 있다.
SAS의 자금세탁방지 솔루션의 데이터 관리 컴포넌트는 모든 비즈니스 영역, 이종의 시스템, 채널, 프로세스 플로우, 데이터 소스에서 추출된 금융기관 데이터를 통합하고, 정제 해준다. 또한, 데이터 마트는 고객의 거래들의 현금거래 속성, 고객의 현재정보 및 거래빈도를 포함한 고객 거래 이력에 관한 요약된 정보들을 가장 하위 레벨 수준으로 저장할 뿐 아니라, 거래들의 유입과 유출에 관련된 정보들을 시간, 고객, 계좌, 채널과 상품 차원(dimension)에서 관리 할 수 있도록 구성되어 있다. 만약, 금융기관이 기존에 이러한 정보들에 대한 데이터웨어하우스를 보유하고 있다면, 이를 SAS의 자금세탁방지 솔루션의 데이터베이스와 매핑할 수 기능을 제공한다.
이런 SAS의 자금세탁방지 솔루션의 데이터 관리 컴포넌트를 통해 금융기관에서는 자금세탁 방지 솔루션에 필요한 정제된 데이터를 보다 쉽게, 저장할 수 있으며, 향후 비즈니스 환경의 변화에 따른 데이터 모델의 변경 및 수정을 용이하게 할 수 있다.
[그림3] 데이터 관리 컴포넌트
2) 경보 엔진 (Alerts Engine)
경보 엔진(Alerts Engine)은 매일 처리되는 모든 거래들의 혐의 거래 여부를 평가하기 위해 데이터 관리 컴포넌트(Data management Component)에 접근한다. 또한 경보 엔진(Alerts Engine)은 잠재적인 자금 세탁을 사전 탐지하는 활동 패턴들을 발굴하기 위한 규제 요건들과 금융 기관 자체적으로 도출된 룰(rule)들과 시나리오들을 적용한다. 또한, 룰(rule)에 의해 적발된 거래는 경보 엔진(Alerts Engine)을 통해 해당 금융기관의 업무흐름 상의 해당 업무 담당자 및 해당 조사자(investigator)들에게 경보(Alerts)내용을 제공한다.
경보 엔진(Alerts Engine)을 혐의 거래를 적발하는데 이용되는 SAS의 업무처리 과정들과 로직들은 두 가지 장점을 가지고 있다. 첫 번째는 다양한 시나리오들의 유형, 즉 복잡한 조건 및 수식이 포함된 시나리오 유형이더라도 이를 쉽게 적용할 수 있다. 두 번째는, 이런 기능들이 대용량 데이터의 처리를 위해 최적화 된 기능들이기 때문에 대용량 처리가 필수적인 자금세탁 방지 업무에 가장 적합한 솔루션 이다.
[그림4] Alert Generation Process
또한, 정확한 경보(Alert)를 제공하기 위해서는 지능화된 룰(Rule)들이 필수적이기 때문에 SAS의 자금세탁방지 솔루션에서는 잘못된 경보(False Positive)을 최소화하기 위해 사용자들이 쉽게 시나리오의 파라미터를 조정할 수 있는 기능을 제공한다. 사용자들이 현재 어떤 룰(Rule)이 얼마나 많은 혐의거래를 적발하고 있는지를 확인할 수 있으며, 혐의거래로 보고된 거래들에 대한 사후적인 검증을 통해 룰(Rule)에 대한 정교화 작업을 진행할 수 있도록 지원한다. 또한, 금융기관의 영업 환경변화에 따라 기존의 룰을 수정, 추가, 삭제 할 수 있는 기능을 제공함으로써, 사용자들이 룰(Rules)들간의 중요도에 대해 가중치를 조정할 수 있을 뿐 아니라, 혐의거래들과 고객행위들에 관한 순위화를 수행할 수 있어서 조사자들이 그들의 조치사항에 대한 우선순위를 결정할 수 있다.
리스크 랭킹 (Risk Ranking)
현재 대부분의 금융기관에서는 서두에 논의한 바와 같이 조건구문으로 구성된 룰(Rule)에 의해 혐의 거래를 적발하고 있으며, 이에 의하여 대량의 혐의거래가 보고 된다. 다량의 많은 양의 대상 건이 발생되었을 경우, 이에 대해 SAR(Suspicious Activity Report)작성을 위해 상당히 오랜 시간을 소요하게 함으로써, 보고 시기를 놓지는 경우가 발생되거나, 이의 처리를 위한 상당수의 인력 소요가 필요하다는 고민을 안게 된다. 따라서, 혐의거래에 대한 각종 Rule은 정성적인 기준이 아닌 정량적인 기준으로 관리 운영될 필요가 있다.
SAS의 자금세탁 방지 솔루션은 리스크 팩터 와 시나리오를 이용하여 Bayes Algorithm을 적용하여 리스크 점수를 계산 제공함으로써, 리스크 점수에 의한 리스크 랭킹 및 고객 정보 분석을 통해 우선순위가 높은 즉, 혐의도가 높은 경보(Alerts)를 집중 관리함으로써 금융기관에서는 시간과 인력을 절감 할 수 있도록 지원한다.
자금 추적 (Funds Tracker)
자금 추적(Fund Tracker)은 경보(Alerts) 된 거래의 자금흐름을 다음의 그림에서 보여주는 바와 같이 일련의 거래를 활동 네트워크로 구조화함으로써, 관계가 없어 보이는 계좌들간의 숨겨진 관계를 발견하는 기능을 제공한다.
[그림5] 자금 추적 (Funds Tracker)
유사거래 분석 (Near Neighbor)
유사거래 분석(Near Neighbor)은 모든 계좌의 거래내역을 경보가 발생된 계좌들의 거래 내역과 비교하여, 거래 방식이 유사한 모든 계좌들을 보여주는 기능으로 룰(Rule)에 의해 걸려지지 않은 계좌들의 혐의거래 여부를 다시 한번 검토함으로써 혐의거래 적발의 정확도를 높이는 역할을 수행한다.
[그림6] Near Neighbors
3) 혐의 거래 조사 (Investigation)
Investigation 컴포넌트들은 경보엔진에 의해 생성되는 경보사건들을 관리하기 위한 안전한 웹 기반의 인터페이스를 제공한다. 조사가(탐색자)들은 금융기관들의 업무프로세스에 적합하게 경보(Alerts)의 상태를 변화시키거나, 경보(Alerts) 담당자의 변경, 경보(Alerts)에 대한 대응 조치를 위한 추가적인 정보뿐만 아니라 상세 고객정보, 거래정보에 대한 조회를 할 수 있다.
[그림7] Investigation
조사자들이 혐의거래에 대한 조사를 수행하는 것을 지원하기 위해서 어떤 시나리오에 의해 경보가 발령되었는지, 해당 경보가 SAR에 보고될 확률 및 개별 고객과 계좌에서 발생하는 경보의 수와 같은 정보들을 조회 할 수 있을 뿐만 아니라, 이들 정보들을 감안하여 계산된 해당 경보들의 Risk 점수를 우선 순위별로 조회 할 수 있다.
통합된 Query Utility를 이용하여 비정형적 보고서를 Investigation에 추가 할 수 있으며, 혐의 거래에 대하 조사 활동이 진행되는 동안 생성되는 모든 정보는 솔루션에 의해 생성된 경보(Alerts)에 관한 히스토리 정보가 저장하는 Knowledge Center에 저장된다.
또한, Knowledge Center에 저장된 정보들은 조사 활동에 대한 이력 추적하는 기능을 제공할 뿐 만 아니라, Alert 엔진에 조사 활동 결과에 대한 정보를 반영할 수 있도록 함으로써 Alerts 엔진의 Rule을 정교화하는데 이용된다. 이런 자가-학습(Self-Learning) 처리 능력은 혐의 거래 활동을 예측하고 잘못 경보 된 혐의 거래들을 줄이는 데 효과적이다.
또한, 조기 경보된 거래를 감독당국에 보고하기를 원한다면, 적절한 권한을 가진 사용자는 SAR 형태의 보고서를 생성 보고 할 수 있으며, 이는 해당 국가 감독당국이 요구하는 형식(Form)으로 변경 할 수 있다.
4) 시나리오 생성을 위한 분석 도구 (Discovery)
Discovery 컴포넌트는 새로운 룰(Rule)과 시나리오를 만들고, 테스트하기 위한 비정형 질의 및 분석 인터페이스를 제공한다. 분석자가 단순한 질의에서 복잡한 예측 모형들을 설계하는 것에 이르는 다양한 형태의 분석들을 실행하고자 할 경우, Discovery Process을 통해 분석자들은 다양한 상황에서 발생될 수 있는 많은 경보들을 Discovery 컴포넌트가 제공하는 다양한 종류의 분석 방법들을 이용하여 분석함으로써 새로운 규칙이나 시나리오들의 효과성을 평가 할 수 있을 뿐만 아니라 각 규칙들과 시나리오의 유효성을 검증할 수 있다. 이러한 과정을 통해 획득된 정보들로부터 분석자는 가장 혐의 있는 활동들을 적발 하는 것과 잘못된 혐의거래의 수 사이의 차이(GAP)을 최소화 해주기 위해 룰(Rule)의 파라미터를 조정 할 수 있다.
일반적인 자금세탁 특성들
일반적인 자금 세탁 특성들에는 구조화 되어진 예금계좌나, 혐의 거래가 있는 외환 거래가 포함되고, 공표되어진 고객 또는 테러리스트 용의자 명단과 매칭한다. 많은 경우 들은 감독당국에 의해 제공되는 가이드라인 등에서 언급 되고 있다. 솔루션의 질문 처리를 활용하여, 분석가는 여러 유형의 파라미터를 변경하여 시나리오가 실행했을 때 생성되는 Alerts(경보)의 수가 얼마나 되는 지를 테스트 할 수 있을 뿐만 아니라 이런 시나리오가 얼마나 자주 발생하는지를 쉽게 결정할 수 있다.
행위 및 인구통계학적 프로파일 분석(Behavioral and demographic profiling)
SAS 자금세탁방지 솔루션은 고객정보(Customer Profiles) 및 동일집단(Peer Groups)을 생성하기 위한 다양하고 진보된 군집분석 기법을 제공한다. 관계(Relationships)에서 내포하는 속성들은 분석가들의 내재적인 지식 또는 통계적인 검증을 통해 속성이 분류함으로써 데이터의 자체 분포를 기반으로 한 고객들의 속성을 그룹화 할 수 있다. 분석가들은 이전에 알려져 있지 않은 동일집단을 발견하기 위해 이런 군집분석 기법을 사용한다.
패턴 인식(Pattern Recognition)
분석가들은 패턴인식을 통해 이용하여 계좌 활동(Account Activity)이 정상 패턴에서 벗어나기 시작하는 때를 알려주는 모델을 생성 할 수 있다. 분석가들은 패턴 인식을 프로파일 기법과 결합함으로써 고객 행동 패턴이 동 그룹의 패턴에서 매우 유의하게 벗어나는 경우에 조사자들(Investigators)에게 혐의거래(alert)를 통보해 줄 수 있는 룰을 생성 할 수 있다.
연관성 분석(Association Analysis)
연관성 분석은 알려져 있지 않거나, 표면적으로 나타나지 않은 고객들 사이의 관계를 규명해 준다. 예를 들어 이름, 주소 등에서 전혀 관계가 없이 보이는 일련의 개개의 구성원의 집단이 제3의 집단(Third Party)과 혐의 계좌 이체가 있을 수 있으며, 또한 동일한 영업점을 통해 거래하고 있을지도 모른다. 연관성 분석을 통해 개개인은 동일한 속성을 지니는 집단으로 분류 할 수 있고, 종업원의 공모 또는 다른 공모 행위를 적발하는데 있어서 동일 집단으로 취급한다.
예측 모델링(Predictive modeling)
예측 모델링은 사전적으로 공표된 혐의 행위를 이용하여 현재 및 미래의 혐의 행위의 발생확률을 예측하는데 이용한다. 예측 모델링을 할 수 있는 회귀분석, Decision Trees, Neural Networks 등의 검증된 기법 및 알고리즘이 제공된다. 이런 각각의 기법으로 모델링하기 위해서는 적절한 목표변수(Target Variable)의 선정이 필요하며, 목표변수를 선정한 후에는 혐의 행위를 예측하는 데에 어떤 속성들을 이용할 것인지를 결정하는 과정을 거쳐 모델을 생성하게 된다.
일반적으로 어떤 고객들이 어떤 상품들을 구매할 것인지 또는 어떤 잠재 고객들이 대출부도 및 사기를 할 것인지 등과 같은 예측 모델을 구축하고자 할 때는 무엇보다도 목표 변수가 잘 정의되어야 한다. 그러나, 자금세탁의 경우에는 목표(target)이 명확하지 않다. 왜냐하면, 과거에는 자금세탁 행위를 적발하는 활동이 없었기 때문에 과거 데이터를 기반으로 자금세탁을 예측하는 모델을 생성하면, 확인되지 않은 자금 세탁 행위들로 인해 자금세탁 활동을 적발하는 효율이 떨어지는 모델을 생성하게 되는 원인이 되기 때문이다.
그러나, SAS의 자금세탁방지 솔루션은 Knowledge Center에 저장된 데이터를 이용하여 기존 Rule에 의해 걸려진 경보(Alert)가 SAR 에 보고될 확률을 산출함으로써, 적절한 목표(target)을 설정할 수 있게 함으로써, 예측 모델을 보다 정교하게 구축할 수 있다.
이러한 기능을 통해 경보(Alert)들이 SAR에 보고될 확률을 기반으로 경보(Alert)들의 리스크 점수를 산출할 뿐 아니라, 우선 순위도 정할 수 있다. SAS의 Knowledge Center Based Modeling 접근법은 사전에 적발되지 않은 경보(Alert)들로 인해 발생하는 잘못된 모델을 생성할 위험을 감소시킨다.
이러한, 어떤 혐의 행위에 대한 조사(investigation)의 정당성을 결정하기 위한 많은 기법들을 보유하고 있음은 이런 기법들을 결합함으로써, SAS 자금세탁방지 솔루션이 보다 다양하고, 혐의도 높은 혐의 거래를 적발할 수 있으며, 동일한 시간 동안에 잘못 적발된 혐의 거래의 수를 줄일 수 있게 해준다.
5) 시스템 관리(Administration)
자금세탁 방지 시스템 관리자는 SAS 자금세탁방지 솔루션의 Admin 컴포넌트를 이용하여 시스템의 보안과 자금세탁방지 솔루션의 서브시스템을 조정하고 관리할 수 있다. Admin 컴포넌트는 시스템을 효율적으로 운영하고, 룰이 정확하고 효율적인 관리가 보장될 수 있도록 시스템 파라미터에 대한 접근을 허용한다.
데이터 관리 컴포넌트의 Admin에서는 데이터의 통합, 최고의 추출, 변환, 적재 등의 ETL 인터페이스를 제공한다. 이런 인터페이스는 사용자가 사용하기 편리하게 이용할 수 있도록 사용자 관리 화면에서 관리자가 소스 및 타겟의 데이터 구조를 정의, 변환 로직의 설정, 룰과 시나리오를 생성 및 관리하는 기능, 적용할 파라미터의 설정 및 적용 사이클에 대한 스케쥴을 할 수 있다.
관리 인터페이스에서는 사용자 및 그룹에 대한 관리를 지원한다. 자금세탁방지 솔루션의 사용자를 생성, 수정, 삭제 할 수 있으며, 이들 사용자들을 그룹화하여 관리하는 기능을 제공한다. 또한 사용자별, 그룹별로 자금세탁방지 시스템에서 제공하는 기능 및 데이터에 대한 접근 권한을 부여하는 기능을 제공한다. 또한, Admin 인터페이스는 혐의거래가 발생할 경우 이를 처리하는 워크플로우(Workflow) 및 혐의 거래에 대한 조사 프로세스 과정상의 해당 업무 담당자에게 혐의 거래를 할당하는 기능 등을 제공한다.
자금세탁의 지속적인 적발을 위한 Rule기반의 시나리오에 대한 지속적인 유지관리가 요구된다. 자금세탁의 기술 및 채널의 복잡성을 통해 다양한 루트를 통한 자금세탁이 발생함에 따라 Rule에 대한 지속적인 Update는 필연적이며, 실제 다수의 Rule중 적발률이 떨어지는 Scenario에 대한 모니터링 및 사후관리 프로세스가 필요하다.
이를 위해서 금융기관에서는 자금세탁의 혐의도 분석을 위해 Risk Factor를 추출함과 동시에 지속적인 분석기법의 Update는 물론 연결분석(Link Analysis) 방법론 및 마이닝 기술을 통해 관련 데이터에 Scoring 모델 알고리즘 기술을 적용하여 일정한 규칙을 찾아내는 일련의 과정 통해 자금세탁유형의 정형화 및 표준화가 필요하다.
3. SAS® 자금세탁 방지 솔루션을 도입한 선진금융기관 구축사례
선진금융기관의 구축사례에서 볼 때 자금세탁방지 구축에 있어 솔루션을 통한 방법은 내부개발에 비해 그 기간이 단축된다. 이는 사전 정의된 시나리오의 제공에 그 이유가 있다. 자금세탁 방지의 당면 이슈는 글로벌차원의 Compliance 영역이므로 국내상황의 반영뿐 만이 아닌, 다수의 Reference를 확보한 솔루션으로써 검증된 기술기반에서 구축을 하여야 한다는 점이다.
이에 SAS® 자금세탁 방지 솔루션은 Bank of America 및 Morgan Stanley와의 협업을 통해 개발된 솔루션으로 이외의 15개의 선진금융기관의 사례를 반영한 솔루션으로 평균 구축기간이 5~6개월 정도로 내부개발에 비해 구축기간 및 Risk를 크게 줄일 수 있으며, 대외신인도 측면에서도 검증된 솔루션을 적용 함으로 인해, 금융기관의 안정적인 자금세탁솔루션 구축이 가능하다.
또한, 여타 자금세탁 방지 솔루션 공급업체와는 달리 약 20여 년간 한국 내에서 사업을 수행해온 현지화된 글로벌 회사인 SAS Korea의 안정적인 기술지원을 받을 수 있으며, H/W와 기타 여타의 시스템의 진화에 맞추어 계속적인 Version Upgrade가 이루어 지므로, 안정적인 유지보수가 가능하다는 점 등에서 많은 이점을 확보할 수 있다.
|
|
|
|
 |
|
|
|
|
|
 |
|
