4.9.2.Bunq heeft de noodzaak van het hebben van een vooraf vastgesteld (individueel) transactieprofiel op basis van bij de klant ingewonnen informatie betwist. In haar visie schrijft de Wwft dat niet voor. Volgens bunq betrekt zij bij de monitoring van transacties het risicoprofiel en de overige kennis die zij heeft van haar klanten (waaronder het historische transactiegedrag), en stelt zij het beeld dat zij van haar klanten heeft voortdurend en op individuele basis bij op grond van onder meer het verwezenlijkte transactiegedrag. Daarmee heeft bunq in haar visie een dynamische en intensieve vorm van monitoring tot stand gebracht waarmee zij goed in staat is potentieel ongebruikelijke transacties te detecteren.
Particuliere klanten
Elke particuliere klant van bunq heeft een risicoprofiel. Dat moet worden onderscheiden van
het transactieprofiel van particuliere klanten, dat in beginsel het ‘regular user profiel’ is (Monthly outgoing transaction volume: EUR 10.000, Maximum balance: EUR 10.000, Number of payments per month: Up to 150). Het risicoprofiel is low, medium of high en wordt bij het aangaan van de relatie (onder meer aan de hand van nationaliteit en land van verblijf) vastgesteld en wanneer daartoe (op grond van het transactiegedrag) aanleiding bestaat bijgesteld. De werkwijze van bunq is sinds eind 2017 zo ingericht dat transacties aan de hand van een zeer groot aantal filters worden beoordeeld. Dat gebeurt onder meer via een combinatie van filters op basis van door bunq handmatig ingestelde filters (de business rules) en filters op basis van het machine learning model van bunq.
De business rules bevatten elk een set monitoringregels op grond van uitgewerkte scenario’s (zo is er bijvoorbeeld de business rule waarbij het opnemen van € 2000,- of meer in één week een monitoring hit creëert). Een aantal van de business rules houdt rekening met het risicoprofiel van individuele klanten in die zin dat de business rule sneller een monitoring hit creëert naarmate het risicoprofiel hoger is. Indien een transactie overeenkomt met de business rule dan creëert het systeem van bunq automatisch een ‘monitoring hit’, die vervolgens wordt onderzocht door een analist van bunq. De lijst met business rules is dynamisch en aan mutatie onderhevig. Business rules worden handmatig opgesteld op basis van bijvoorbeeld bestudering van eerdere gevallen van ongebruikelijke transacties. Uit die gevallen worden dan een of meer (terugkerende) indicatoren gedestilleerd die vervolgens als basis worden gebruikt voor het omschrijven van een nieuwe business rule.
Om te zorgen voor een zo effectief mogelijke monitoring van transacties, heeft bunq ervoor
gekozen het transactiemonitoringssysteem op basis van business rules te complementeren
met een transactie-analyse op basis van een geavanceerd machine learning model. Machine
learning is het gebruik van wiskundige procedures (algoritmes) om aanzienlijke hoeveelheden data te analyseren en daarin patronen (relaties of correlaties) te herkennen,
om op basis daarvan voorspellingen te doen. Het machine learning model dat bunq heeft ontwikkeld werkt kort gezegd als volgt:
- Bunq heeft een dataset samengesteld van meer dan 40 miljoen reeds door bunq voor
klanten verrichte transacties. De dataset bestond uit enerzijds gebruikelijke transacties
en anderzijds door bunq aan de FIU gerapporteerde ongebruikelijke transacties. Deze
ongebruikelijke transacties - enkele tienduizenden in totaal - heeft bunq over een
voorafgaande periode van ongeveer twee jaar gedetecteerd op grond van:
• het gebruik van business rules;
• interne onderzoeken;
• klachten van klanten en andere financiële instellingen
• onderzoeken / verzoeken vanuit de autoriteiten
• overige indicatoren.
- de dataset bevatte voor elke transactie oorspronkelijk meer dan 100 (en later zelfs meer
dan 500) datapunten - ‘features’ genoemd - zoals leeftijd, geslacht, GPS-locatie, IP
adres, transactiebedrag, transactievolume en transactiefrequentie. De gebruikelijke
transacties werden door bunq vooraf met een 0-score gelabeld, de ongebruikelijke
transacties kregen vooraf de score 1 toegekend. Vervolgens is de dataset verdeeld in een
training dataset en een validatie dataset;
- onder toezicht van een expert op het gebied van machine learning is het model op basis van de training data ‘getraind’ op het leren berekenen welke transacties gebruikelijk zijn (lage score) en welke transacties als ongebruikelijk moeten worden aangemerkt (hoge score), daarbij kijkend naar de vele datapunten van elke transactie. Dit is de trainingsfase;
- daarna is het model gevalideerd door het los te laten op een grote hoeveelheid geheel
nieuwe transacties, namelijk die uit de validatie dataset. Daarbij wist bunq wel maar het
model niet van te voren welke transacties ongebruikelijk waren en welke transacties
gebruikelijk. Als een model goed is getraind, dan berekent het op basis van een analyse
van de datapunten en de tijdens de training opgedane ‘kennis’ een hoge score (richting
de 1) voor elke ongebruikelijke transactie en een lage score (richting de 0) voor elke
gebruikelijk transactie. Het model bleek daartoe goed in staat. Als onderdeel van de
validatiefase is ook vastgesteld welke door het model berekende score automatisch tot
een monitoring hit leidt, als gevolg waarvan de transactie wordt onderzocht door een
analist van bunq.
- Bunq houdt bij het beoordelen van transacties aan de hand van de combinatie van businessrules en machine learning van een specifieke particuliere klant rekening met:
• het risicoprofiel van die klant: het risicoprofiel is namelijk een factor in meerdere
business rules en een feature in het machine learning model. Als gevolg hiervan wordt
er een meer strikte monitoring toegepast op klanten met een hoge risico score;
• het daadwerkelijke (historische) transactiegedrag van het gehele klantenbestand van
bunq: de business rules zijn gebaseerd op het historische transactiegedrag van klanten
en het machine learning model is getraind op miljoenen historische transacties verricht
door klanten van bunq;
• het daadwerkelijke transactiegedrag van de betreffende klant: het machine learning
model bevat een groot aantal features die ‘terugkijken’ naar het transactiegedrag van
de klant zelf en dit meewegen in de beoordeling van transacties die door die klant
worden verricht;
• het verwachte transactiegedrag van klanten op peer group niveau: het learning model
creëert zelf een zeer groot aantal peer groups. Het model ‘leert’ bijvoorbeeld wat ongebruikelijk is voor iemand van 16 jaar oud of voor iemand die uit Utrecht afkomstig
is, op basis van de historische gegevens waarop het model getraind is. Daarbij bepaalt
het model zelf wat relevante groepen zijn.
Andersom houdt bunq als onderdeel van de doorlopende controle van de klant bij de
vaststelling van het risicoprofiel doorlopend rekening met het gemonitorde transactiegedrag
van die klant. Het transactiegedrag van een klant kan namelijk leiden tot een hogere (individuele) risicoscore.
Zakelijke klanten
De automatische monitoring van zakelijke klanten geschiedde ten tijde van het opleggen van
de aanwijzing aan de hand van de hiervoor beschreven business rules, waarvan een aantal
specifiek zijn toegespitst op zakelijke klanten. Een verschil ten opzichte van particuliere
klanten is dat bunq voor zakelijke klanten ook een specifieke business rule hanteerde (en
nog steeds hanteert) die monitort in hoeverre het transactievolume van de zakelijke klant
plotseling sterkt toeneemt in vergelijking met het gedrag van de klant in de voorgaande
maanden. Daarnaast monitort bunq of de klant afwijkt van het verwachte transactievolume.
Ook ten aanzien van zakelijke klanten houdt bunq als onderdeel van de doorlopende controle van de klant bij de vaststelling van het risicoprofiel doorlopend rekening met het gemonitorde transactiegedrag van die klant.
Later in 2019 (na het ontvangen van de aanwijzing) heeft bunq ook een machine learning
model voor het monitoren van transacties van zakelijke klanten geïntroduceerd. De reden
voor deze latere introductie is gelegen in het feit dat eerst een toereikend aantal transacties
moest worden verzameld om het model te trainen en valideren. Het machine learning model
is qua werking vergelijkbaar met het hiervoor omschreven model voor particuliere klanten.