Im vierten Teil der Name Matching und Revision Reihe ging es um Ausbeute und Präzision von Name Matching Methoden. In diesem fünften Teil erläutern wir die Berechnung dieser beiden Effektivitätsmasse. Sie werden so genannt, weil sie ausdrücken, inwiefern eine Name Matching Methode zwei Namen effektiv vergleichen kann und Information liefert, ob die beiden Namen die gleiche Person bzw. Organisation bezeichnen.
Der grosse Vorteil von sorgfältig programmierten Chatbots ist, dass sie situationsbezogen Informationen anbieten. Ein guter Chatbot stellt die gleichen Fragen nicht mehrmals und er stellt insbesondere keine Fragen, die aufgrund früherer Antworten sinnlos sind. Diese Umstände haben sicherlich zum aktuellen Hype beigetragen, den die ZHAW in der Zeit vom 18. bis 25. Juni 2018 bei ihrer Befragung von 926 Probanden beobachtet hat.
Im letzten Beitrag wurde dargelegt, dass False Negatives aus Risiko- und False Positives aus Ressourcengründen zu minimieren sind. Ausbeute bezeichnet den Anteil der risikobehafteten Kundenbeziehungen, welche vom Name Matching gefunden werden.
Eurospider hat für ihren Partner KYC Spider AG eine neue Compliance Plattform entwickelt, welche die Prozesse analog zu Industrie 4.0 völlig neu gestaltet (www.kyc.ch). Vernetzung, Informationstransparenz, Assistenzsysteme und automatisierte Entscheidungen revolutionieren die Produktion in der Compliance Factory.
Im zweiten Beitrag über Name Matching und Revision ging es um die Risikominimierung bezüglich fehlender Treffer. In diesem dritten Teil geht es um das praktische Messen des Risikos. Häufig wird hierzu mit zwei oder drei Namen getestet. Dieser Laientest, in Wikipedia auch Putzfrauentest genannt, hat im Kontext von Compliance seine Tücken.
