Angesichts der kürzlich geschlossenen Partnerschaft zwischen IMTF und Babel Street, Babel Street beleuchten wir die Bedeutung eines präzisen Namensabgleichs für die regulatorische Compliance sowie die Herausforderungen beim Screening von Namen in unterschiedlichen Sprachen.
Key Takeaways:
- Wenn Namen zu den wichtigsten Datenpunkten in der regulatorischen Compliance gehören, können die zahlreichen möglichen Schreibweisen erhebliche Herausforderungen verursachen.
- Der Namensabgleich bei chinesischen Schriftsystemen und Ideogrammen ist aufgrund komplexer Schriftzeichen, phonetischer Varianten, unterschiedlicher Namensreihenfolgen, Abkürzungen und kultureller Besonderheiten besonders anspruchsvoll.
- Zusätzliche Komplexität entsteht dadurch, dass verschiedene Sprachen dasselbe Schriftsystem verwenden. Chinesisch, Japanisch und Koreanisch nutzen Schriftzeichen der Han-Schrift, wodurch die Unterscheidung zwischen diesen Sprachen zu einem sensiblen Prozess wird.
- Einfache Methoden des Namensabgleichs führen häufig zu ungenauen Ergebnissen. Fuzzy Name Matching ist ein Verfahren, das Machine Learning nutzt, um ähnliche, aber nicht identische Namen zu erkennen und miteinander abzugleichen.
- Beim Fuzzy Name Matching kommen unterschiedliche Algorithmen zum Einsatz, die jeweils eigene Einschränkungen aufweisen – insbesondere bei nicht-lateinischen Schriftsystemen.
- Der IMTF-Partner Babel Street hat eine hybride Zwei-Pass-Methode entwickelt. Dabei werden die Schwächen eines Verfahrens durch die Stärken eines anderen ausgeglichen, um eine höhere Präzision, Trefferquote und Genauigkeit zu erreichen.
- Siron®One wird durch die fortschrittliche Name-Matching-Technologie von Babel Street unterstützt und deckt die Han-Schrift sowie 24 weitere Schriftsysteme ab. Dadurch können Kunden komplexe Anwendungsfälle bewältigen, Finanzkriminalität wirksam bekämpfen und ihre globalen Compliance-Prozesse optimieren.
Die Überprüfung der Namen von Kunden und Unternehmen gehört zu den grundlegendsten Schritten beim Onboarding sowie im Rahmen von KYC- und AML/CFT-Prozessen in Finanzinstituten und Nichtfinanzunternehmen. Regulierungsbehörden weltweit verpflichten Unternehmen dazu, Namen mit Sanktions- und Beobachtungslisten abzugleichen. Gleichzeitig sind Financial Intelligence Units auf verifizierte Namen angewiesen, um Finanzstraftaten untersuchen zu können.
Obwohl das Namensscreening ein wesentlicher Bestandteil von Compliance-Prozessen ist, gestaltet es sich äußerst komplex. Qualität, Genauigkeit und Geschwindigkeit des Namensscreenings wirken sich unmittelbar auf Risiken, Arbeitsaufwand und Kosten zentraler Compliance-Funktionen wie KYC und Geldwäschebekämpfung aus.
Anders als eindeutige numerische Identifikatoren, etwa Sozialversicherungsnummern, oder numerische und biometrische Identifikatoren wie Aadhaar-Nummern sind Namen nicht eindeutig einer bestimmten Person oder Organisation zugeordnet und können auf vielfältige Weise geschrieben werden. Abweichungen können unter anderem durch phonetische Schreibweisen, Spitznamen, Kurzformen, Rechtschreibfehler, Bindestriche, Titel, kulturelle Unterschiede, Übersetzungen, Transliterationen, Aliasnamen, verkürzte Namen, semantische Ähnlichkeiten und unterschiedliche Konventionen bei der Namensreihenfolge in Datenbanken entstehen.
Wenn Namen den wichtigsten Datenpunkt darstellen, können diese Varianten erhebliche Herausforderungen verursachen. Für weltweit tätige Finanzinstitute ist ein präzises sprachübergreifendes Namensscreening jedoch für die Einhaltung von KYC- und AML-Vorschriften unverzichtbar. Der Prozess muss Namen in ihren ursprünglichen Schriftsystemen erkennen und alle möglichen Übersetzungen und Transliterationen in anderen Sprachen berücksichtigen.
The Complexity of Name Matching with Chinese Scripts and Ideographs
Der Namensabgleich bei chinesischen Schriftsystemen und Ideogrammen ist aufgrund der Komplexität der Zeichen, phonetischer Varianten, unterschiedlicher Namensreihenfolgen, Abkürzungen und kultureller Besonderheiten mit speziellen Herausforderungen verbunden. Im Chinesischen besitzt jedes Zeichen eine eigene Bedeutung und Aussprache, weshalb eine rein zeichenkettenbasierte Strukturierung nur eingeschränkt geeignet ist.
Chinesische Schriftzeichen können auf unterschiedliche Weise romanisiert werden, beispielsweise mithilfe des Pinyin-Systems. Dies kann zu erheblichen phonetischen Abweichungen führen. Zudem werden chinesische Namen traditionell mit dem Familiennamen an erster Stelle geschrieben, häufig abgekürzt und teilweise als Spitznamen oder in vereinfachten Schriftzeichen verwendet. Darüber hinaus können dieselben Zeichen je nach Kontext unterschiedliche Bedeutungen und Aussprachen besitzen.
Zusätzliche Komplexität entsteht dadurch, dass verschiedene Sprachen dasselbe Schriftsystem verwenden. Chinesisch, Japanisch und Koreanisch greifen alle auf die Han-Schrift zurück. Ihre Unterscheidung ist daher besonders schwierig, wenn die Ausgangssprache unbekannt ist. Das geschriebene Koreanisch verwendet zwar hauptsächlich Hangul, enthält jedoch auch traditionelle chinesische Schriftzeichen. Diese werden im Koreanischen als Hanja, im Chinesischen als Hanzi und im Japanischen als Kanji bezeichnet und in jeder Sprache unterschiedlich dargestellt und ausgesprochen.1
Selbst innerhalb einer einzelnen Sprache kann die Transliteration von Namen variieren. Ein ausländischer Name wird im Japanischen beispielsweise häufig mit dem phonetischen Katakana und nicht mit dem ideografischen Kanji wiedergegeben.2
Diese Komplexität verdeutlicht den Bedarf an Name-Matching-Systemen, die Han-Schriften verstehen, die Ausgangssprache eines Namens erkennen und eine präzise Übersetzung und Transliteration gewährleisten können.
What is Fuzzy Name Matching
In verschiedenen Teilen der Welt werden Ausweisdokumente möglicherweise in der jeweiligen Landessprache ausgestellt, während Bankunterlagen auf Englisch geführt werden. Für den Abgleich mit einer Beobachtungsliste müssen Namen daher häufig mit Schreibweisen in lateinischer Schrift verglichen werden. Eine einfache Romanisierung, also die Transliteration in lateinische Schrift, greift jedoch zu kurz, da Namen auf unterschiedliche Weise transliteriert werden können. In manchen Sprachen fehlen bestimmte Laute, weshalb diese unterschiedlich wiedergegeben werden. Im kantonesischen Chinesisch gibt es beispielsweise keinen eindeutig abgrenzbaren „R“-Laut; als nächstliegende Entsprechung wird häufig ein „L“ verwendet.
Der Einsatz zu einfacher Methoden führt zu ungenauen Ergebnissen, erhöht die Zahl falsch-positiver und falsch-negativer Treffer und kann Reputationsrisiken verursachen. Gleichzeitig treiben manuelle Prüf- und Sortierprozesse die Compliance-Kosten erheblich in die Höhe.
Fuzzy Name Matching ist ein Verfahren, das Machine Learning nutzt, um diese Probleme zu lösen. Dabei werden Namen erkannt und abgeglichen, die ähnlich, aber nicht vollständig identisch sind. Das Verfahren berücksichtigt unter anderem unterschiedliche Schreibweisen, Rechtschreibfehler und Formatierungsabweichungen. So kann es beispielsweise erkennen, dass sich „Jon“ und „John“ wahrscheinlich auf denselben Namen beziehen.
Beim Fuzzy Name Matching für chinesische Schriftsysteme und Ideogramme müssen insbesondere phonetische und strukturelle Ähnlichkeiten sowie der jeweilige Kontext berücksichtigt werden.
Fuzzy Name Matching Techniques and Their Drawbacks
Für das Fuzzy Name Matching können unterschiedliche Algorithmen eingesetzt und an bestimmte Arten von Namensvarianten und Fehlern angepasst werden. Zu den verbreiteten Verfahren gehören:³
- Edit Distance Algorithms
Diese Verfahren messen, wie viele Bearbeitungsschritte erforderlich sind, um einen Namen in einen anderen umzuwandeln. Sie kommen unter anderem bei der Levenshtein-Distanz, Damerau-Levenshtein-Distanz, Jaro-Distanz, Jaro-Winkler-Distanz und Hamming-Distanz zum Einsatz.
Drawback: Alle Änderungen und Vertauschungen werden gleich gewichtet, ohne kulturelle Besonderheiten zu berücksichtigen. Außerdem ist die Anwendung weitgehend auf Namen in lateinischer Schrift beschränkt.
- Phonetic Matching or Common Key
Dieses Verfahren konzentriert sich auf den Klang von Namen mit unterschiedlichen Schreibweisen, beispielsweise „Sara“ und „Sarah“. Zu den gängigen Common-Key-Verfahren gehören Soundex, Metaphone, Double Metaphone und NYSIIS, das New York State Identification and Intelligence System.
Drawback: Diese Technik eignet sich vor allem für Namen in lateinischer Schrift. Bei nicht-lateinischen Schriftsystemen nimmt die Präzision erheblich ab
- List Method
Bei diesem Verfahren wird ein Name mit allen möglichen Varianten innerhalb einer vorab definierten Liste abgeglichen.
Drawback: Der Brute-Force-Abgleich jedes Namensbestandteils mit allen denkbaren Varianten ist zeitaufwendig und ineffizient.
- Statistical or String Similarity Method
Diese Verfahren bewerten die Ähnlichkeit von Namen mithilfe statistischer Kennzahlen, beispielsweise anhand der Häufigkeit bestimmter Zeichen oder Muster. Zu den Methoden der Zeichenkettenähnlichkeit gehören Cosine Similarity, Jaccard Similarity, der Dice-Koeffizient beziehungsweise Sørensen-Dice-Index sowie TF-IDF, kurz für Term Frequency–Inverse Document Frequency.
Drawback: Obwohl diese Methoden bei sprachübergreifenden Anwendungen präzise Ergebnisse liefern können, erfordern sie Training und Anpassungen. Dadurch eignen sie sich weniger für Anwendungen, die besonders schnelle und dynamische Ergebnisse benötigen.
- Word Embedding Method
Bei dieser Methode werden Namen, Wörter oder Wortgruppen als Vektoren dargestellt. Ähnliche Begriffe liegen im Vektorraum näher beieinander. Dabei werden kontextbezogene und semantische Varianten sowie Beziehungen zwischen Wörtern berücksichtigt.
Drawback: Das Verfahren eignet sich besser für den Abgleich von Unternehmensnamen als für Personennamen.
Darüber hinaus existieren weitere Verfahren des Fuzzy Name Matching, darunter tokenbasierte Algorithmen, Deep-Learning-Modelle mit neuronalen Netzen und domänenspezifische Algorithmen, die besondere Abkürzungen und unterschiedliche Namenskonventionen berücksichtigen.
The Two-Pass Hybrid Method for Better Precision, Recall & Accuracy in Fuzzy Name Matching
Um die Grenzen einzelner Verfahren zu überwinden, setzt der IMTF-Partner Babel Street auf eine hybride Zwei-Pass-Methode. Dieser Ansatz kombiniert die Stärken mehrerer Techniken, um beim Namensabgleich eine höhere Präzision, Trefferquote und Genauigkeit zu erreichen.
Im ersten Schritt wird beispielsweise die Common-Key-Methode eingesetzt, um möglichst viele potenzielle Treffer zu erfassen. Dabei werden Namen bei Bedarf transliteriert und die möglichen Übereinstimmungen eingegrenzt. Anschließend werden die Ergebnisse mithilfe statistischer Verfahren weiter verfeinert, um die Präzision zu erhöhen und die relevantesten Treffer herauszufiltern.
Der Vorteil der statistischen Methode besteht darin, dass sie auf sprachspezifischen Varianten der jeweiligen Sprache basiert und nicht – wie die Listenmethode – auf der massenhaften Generierung möglicher Namensformen. Zudem kann sie Namen in unterschiedlichen Schriftsystemen miteinander vergleichen, was mit der Edit-Distance-Methode nicht möglich ist.3
Im Kontext der Geldwäschebekämpfung oder Betrugsprävention muss das Namensscreening – unabhängig von der eingesetzten Methode – schnell, präzise und zuverlässig sein. Es muss sich in ein bestehendes Matching-System integrieren lassen, potenzielle Übereinstimmungen zügig eingrenzen und die Ergebnisse bewerten. Dabei erhalten die besten Treffer die höchsten Scores, wodurch sich der Aufwand für die manuelle Nachbearbeitung reduziert.4
How Siron®One and Babel Street Solve Name Screening Challenges
Ausgestattet mit der fortschrittlichen Name-Matching-Technologie von Babel Street unterstützt Siron®One s24 Sprachen in verschiedenen Schriftsystemen, darunter auch Han-Schriften. Das System erkennt zuverlässig die Ausgangssprache von Namen und bewältigt komplexe Anwendungsfälle, beispielsweise die Übertragung lateinisch geschriebener Namen in japanische Entsprechungen mithilfe neuronaler Deep-Learning-Netze. 5
Diese Integration unterstreicht die Stärke der Zusammenarbeit zwischen IMTF und Babel Street und spiegelt das gemeinsame Engagement für Innovation und kundenorientierte Lösungen wider.
Durch die präzise und effiziente Bewältigung komplexer Anforderungen im Namensscreening stellt IMTF Kunden im asiatisch-pazifischen Raum und darüber hinaus modernste Werkzeuge zur Verfügung, um sich verändernde Anforderungen in den Bereichen Compliance und Betrugsprävention zu erfüllen.
Read more about the partnership.
In den kommenden Wochen wird IMTF Gil Irizarry, CIO bei Babel Street und Experte für Fuzzy Name Matching, interviewen. Bleiben Sie auf dem Laufenden und erfahren Sie mehr über die Herausforderungen des unscharfen Namensabgleichs bei chinesischen und anderen nicht-lateinischen Schriftsystemen sowie über mögliche Lösungsansätze.
Contact us to learn more or to get a demo of our solutions.
Sources:
- https://www.babelstreet.com/blog/fundamentals-of-understanding-translating-and-matching-chinese-japanese-and-korean-names
- https://www.babelstreet.com/blog/why-japanese-transliteration-of-foreign-names-is-complex
- https://www.babelstreet.com/blog/fuzzy-name-matching-techniques
- https://www.babelstreet.com/blog/pairwise-name-matching-reduces-manual-compliance-remediation
- https://www.babelstreet.com/blog/deep-learning-brings-fuzzy-english-to-japanese-name-matching-into-focus
