Zum Hauptinhalt springen

Success Story Big Data Analyse

Digital Risk Services in der Praxis: Prüfung strukturierter und unstrukturierter Daten

 

 

Hintergrund

Wirtschaftssanktionen werden von Staaten oder Staatenbündnissen verhängt, um Einfluss auf das Verhalten anderer Länder auszuüben. So gibt es beispielsweise Handelssanktionen, die zum Verbot von Importen und Exporten führen, oder Finanzsanktionen, die ein Einfrieren von Auslandskonten und ein Verbot von Finanztransfers zur Folge haben. Die Einhaltung der Sanktionen wird entsprechend überwacht. 

 

Unser Projekt

Deloitte wurde vom Kunden beauftragt, die Systeme des Konzerns nach verdächtigen Transaktionen zu durchsuchen, die in Zusammenhang mit Sanktionsverstößen stehen könnten.
Zunächst wurde für die Buchungsprüfung aller Bestellungen, Rechnungen und Zahlungen auf die bisher bekannten Ansätze und Methoden zurückgegriffen und daher eine relationale Datenbank für die Suche nach spezifischen Begriffen verwendet. Aufgrund der hohen Anzahl der zu prüfenden Transaktionen dauerte ein Suchlauf bis zu mehreren Stunden.
Zu diesem Zeitpunkt wurden Kollegen von Digital Risk Services – einer Service Line in Risk Advisory – zur Unterstützung geholt, um den Suchvorgang mittels eines speziellen Suchalgorithmus zu optimieren und so das Projekt mithilfe von Big Data Analyse zum vereinbarten Termin abschließen zu können. 

 

Unsere Vorgehensweise

Für die Suche verwendeten wir fortan statt der relationalen Datenbank einen speziellen Suchalgorithmus, der unter anderem für die Volltextsuche in sehr großen Datenmengen optimiert ist. So konnte die Zeit für einen Suchlauf auf Minuten oder sogar Sekunden verkürzt werden, um potentiell relevante Buchungen zu identifizieren. Die Ergebnisse wurden schließlich mit Python zu Reports für den manuellen Review aufbereitet. 

 

Unser Ansatz für die Buchungsprüfung

Unser innovatives Vorgehen bestand in der Nutzung eines spezifischen Suchalgorithmus, der verschiedenste – beinahe beliebig komplexe – Volltextsuchen durchführen kann. Dieser Algorithmus kann sowohl strukturierte als auch unstrukturierte Daten analysieren und ist somit vielseitig einsetzbar. Wir nutzten den in Java implementierten Lucene Index, in dem Daten hochgradig komprimiert und In-Memory gehalten werden. Darüber hinaus erfolgt eine Lastverteilung durch die Nutzung eines Server-Clusters, in dem Daten verteilt vorliegen und parallel durchsucht werden können. Alle diese Merkmale ermöglichen es, bei der Big Data Analyse eine hohe Zugriffsgeschwindigkeit zu erzielen. 

 

Aktueller Stand

Alle Transaktionsdaten wurden auf die mit dem Kunden vereinbarten Stichwörter überprüft. Die daraufhin identifizierten verdächtigen Buchungen wurden in Reports aufbereitet und dem Kunden zum weiteren Review zur Verfügung gestellt. 

 

Unser Mehrwert für den Kunden bei der Buchungsprüfung

Durch den Einsatz des speziellen Suchalgorithmus konnte das Projektziel in der vereinbarten Zeit erreicht werden. Als Projektergebnis hat der Kunden einen konsolidierten Report aller verdächtigen Transaktionen ausgehändigt bekommen und muss nur diese Dokumente manuell prüfen. Insbesondere im Vergleich zu einer komplett manuellen Lösung, bei der der Kunde alle Dokumente individuell von Mitarbeitern prüfen lassen muss, bietet die von Deloitte eingesetzte Lösung zur Buchungsprüfung mittels Big Data Analyse eine große Zeit- und Kostenersparnis.

 

Relationale Datenbank: Eine relationale Datenbank dient zur elektronischen Datenverwaltung in Computersystemen und beruht auf einem tabellenbasierten relationalen Datenbankmodell.

In-Memory-Datenbank: Eine In-Memory-Datenbank ist ein Datenbankmanagementsystem, welches den Arbeitsspeicher eines Computers als Datenspeicher nutzt im Gegensatz zu herkömmlichen Systemen, die dafür Festplattenlaufwerke nutzen. Vorteil dieser Variante ist die wesentlich höhere Zugriffgeschwindigkeit.

Fanden Sie dies hilfreich?

Vielen Dank für Ihr Feedback

Wenn Sie helfen möchten, Deloitte.com weiter zu verbessern, füllen Sie bitte folgendes aus: 3-min-Umfrage