DE KWESTIE^ Eelco Benard / EY Actuarissen‘De verkoop van cd’s is door de komst van iTunes en Spotifygekelderd en door Amazon en bol.com verdween V&D uit onsstraatbeeld. Maar de financiële sector laat zich mindereenvoudig disrupten. Strenge regelgeving, vergunningen enactieve toezichthouders maken het lastiger voor jongeinnovatieve bedrijven om de gevestigde namen van de troon testoten. Toch valt er in de financiële sector – en daarmee in deverzekerings- en pensioenbranche – nog veel te automatiserenen veranderen. Een beetje out-of-the-box denken kan daarbijgeen kwaad. Samenwerking ligt daarbij voor de hand: FinTechstartups met creatieve ideeën die in een kleine beschermdeomgeving (een sandbox) hebben laten zien dat ze hun droomkunnen realiseren moeten worden omarmd door de gevestigdeorde. Onder hun vleugels (en vergunning) kunnen deze ideeëntot wasdom komen.’

^ Jan Siepelinga / Aegon‘Als ik de stelling omdraai, dan komt er iets als: zonder FinTechstartups moeten we de levensvatbaarheid van de verzekerings-en pensioenbranche op termijn sterk in twijfel trekken. En diestelling wil ik zeker niet onderschrijven. De branche zit op hetterrein van digitalisering en omarmen van nieuwe techniekenzoals robotisering en artificial intelligence niet stil. Echter in eentijd van digitale revoluties kunnen FinTech startups die continuenoodzaak van innovatie versterken en versnellen. Opdeelprocessen kunnen startups hun specifieke kennis inzetten,waarbij bijvoorbeeld op het gebied van de dienstverlening naarconsumenten/werknemers completere en relevante informatiesneller en overzichtelijker beschikbaar kan worden gesteld. Naarverwachting kan dat ook nog eens goedkoper. In de praktijk zienwe overigens ook dat onder andere verzekeraars samenwerkenen investeren in FinTech startups. Los van het aanjagen enversterken van de trend kunnen FinTech startups doorontwikkeling van oplossingen met nieuwe solidariteits-ideeën,waarbij risico’s op een andere manier dan het traditioneleverzekeren worden afgedekt/gedeeld, ook voor extraconcurrentie en daarmee uitdagingen voor de branche zorgen. Almet al: FinTech startups zijn niet de redding van deverzekerings- en pensioenbranche, maar zullen mijns inziens deondernemingen in deze sector aanvullen en zorgen voorversnelling van de invulling van klantbehoeften.’

^ Hylke Niermeijer / Achmea‘Vooropgesteld staat dat FinTech een bijna onbegrensd scalaaan nieuwe mogelijkheden om financiële producten endiensten te ontwikkelen en aan klanten aan te bieden opent.De redding? Dat zou betekenen dat we als verzekeringsbrancheaan het verdrinken zijn en die mening deel ik niet. Derelevantie van de kern van ons product, het delen van risico’som zo consumenten en bedrijven te beschermen tegenfinanciële catastrofe zal ook naar de toekomst toe relevantblijven. De succesvolle FinTech startups leren ons echter datgebruik van nieuwe technologie nodig is om levensvatbaar enrelevant te blijven. We moeten dan ook van ze leren, met zesamenwerken en ja, ze houden de branche ook scherp in derol van challenger die zij vervullen. Ze zijn devooruitgeschoven post van de manier waarop wij financiëlediensten en producten moeten gaan aanbieden en geven onsde noodzakelijke inspiratie!’

^ Antoon Pelsser / Kleynen Consultants‘Mijn indruk is inderdaad dat het nog niet zo wil vlotten metechte disruptive innovation in de verzekerings- enpensioensector. Een belangrijke verklaring kunnen we vindenin het boek The Innovator’s Dilemma van Clayton Christensen.Hij stelt dat grote gevestigde bedrijven hun processen zodaniggeoptimaliseerd hebben dat vernieuwingen komen in de vormvan geleidelijke prestatieverbeteringen, waarbij goedmanagement helpt: luisteren naar de klant, investeren in -voor de huidige producten en klanten relevante - innovatiesen grondig marktonderzoek doen. Ze zijn in feite eenmammoettanker geworden die zeer efficiënt een grotehoeveelheid olie kan vervoeren, maar slechts langzaamkoerswijzigingen kan doorvoeren. In het geval van disruptiveinnovation wordt een compleet nieuwe markt gecreëerd. Nade aanvankelijk slome start biedt disruptive technology op delangere termijn echter een veel hogere ontwikkelsnelheid,waarbij de gewone technologische verbeteringen in het nietvallen en waardoor gevestigde bedrijven het nakijkenhebben.’

^ Ralf van der Zanden / Everdune Mobile ‘De verzekerings- en pensioenbranche moet mee mettechnologische ontwikkelingen en haar doelgroep om relevanten onderscheidend te blijven. Dit kan met hulp van externeFinTech startups, maar ook door zelf op zoek te gaan nieuwebusinessmodellen. Bevorder ondernemerschap binnen deorganisatie en geef interne startups vrijheid om nieuweconcepten te (laten) ontwikkelen en in de markt te testen.’

39de actuaris september 2017# fintech38 de actuaris september 2017

# fintech

S U P E R V I S E D L E A R N I N G T O L E A R N F R O M P R E V I O U S(U N D E S I R E D ) B E H A V I O RKnowing which client behavior leads to identified fraud in the past isvaluable information. Considering the demand for feedforwardrequired by the supervisor, this information can be used to score andpredict fraud in the future. Especially in an anti-money laundering(AML) setting, this can significantly improve the current systems in use.Moreover, by using confirmed frauds by the FIU in a supervised analysisone can achieve a large reduction in false positives while not losing asignificant number of true positives.

U N S U P E R V I S E D L E A R N I N G T O F I N D S I M I L A R O RA B N O R M A L B E H A V I O RFrom a KYC perspective, customer profiles should be based on bothcharacteristics and behavior. These profiles can be created usingunsupervised (clustering) techniques. One could use a similar approachin AML detection, but with different characteristics.

Once clients with similar behavior belong to one profile, it is possible toset better (i.e. more accurate) thresholds on possible suspiciousbehavior.

A supporting technique to clustering is anomaly detection, whichdetects abnormal behavior within the data. The concept is that whenthe normal behavior within the data is known, we can use a metric(e.g. distance based, probabilistic) to determine abnormal transactionsor clients. The analysis is however not restricted to predefined clustersbut may be used on its own to detect abnormal behavior without apredefined bias.

N E T W O R K A N A L Y S I S T O F I N D A N D I D E N T I F Y S U S P I C I O U SM O N E Y F L O W SRecent technologies have empowered researchers to find networkstructures which may indicate suspicious behavior. Examples of this areregular transfers between seemingly unrelated market segments or so-called ‘sinks’, which the points in the money flow where money flowsinto but then disappears (in cash or to an outside bank). If these sinksare deemed suspicious then so should their funders.

Furthermore, a network analysis on transactions can be used to identifyrelationships between two receiving and sending customers fromdifferent channels or a social community (see Molloy I. et al (2017)4).

L O O K I N T O T H E F U T U R E .DNB has stated that terrorist financing, money-laundering and thesanction act will be part of the supervisory agenda. Enhancement ofthe KYC and PTM process should therefore be on the top of the agendaof all financial institutions. The time is now to move the processesforward and embrace machine learning and artificial intelligence as apowerful tool to streamline their business. ■

1 – Toezicht Vooruitblik 2017 – De Nederlandsche Bank

2 – DNB Guidance on the Anti-Money Laundering and Counter-Terrorist Financing Act andthe Sanctions Act.

3 – DNB newsletter, August 2016

4 – Molloy I. et al. (2017) Graph Analytics for Real-Time Scoring of Cross-ChannelTransactional Fraud. In: Grossklags J., Preneel B. (eds) Financial Cryptography and DataSecurity. FC 2016. Lecture Notes in Computer Science, vol 9603. Springer, Berlin, Heidelberg

Figure (b): An example of complex threshold setting, for which persegment a convex hull is defined that is closely related to the actualbehavior of the clients associated with the profile.

Figure (a): The complexity levels low and medium, in which the linesindicate the thresholds. For a profile specific implementation thestraight lines can be set per segment.

Different levels of complexity in threshold setting

B

A

B

A

Possible Fraud

Normal data

Possible Fraud

Normal data

FinTech startups zijn deredding van de verzekerings-en pensioenbranche