Vraag iemand uit het complianceteam waar de meeste tijd in de week aan opgaat en je krijgt vrijwel altijd hetzelfde antwoord: meldingen afhandelen die onterecht blijken te zijn. Op een gegeven moment komt iemand dan met een eenvoudige oplossing. De regels voor het vaststellen van overeenkomsten moeten strenger, de drempelwaarden hoger en het systeem selectiever.
Dat werkt eigenlijk nooit. Strengere regels verminderen het aantal meldingen een beetje, misschien met tien of vijftien procent, maar het aandeel ruis blijft precies hetzelfde. Diezelfde 95% zonder betekenis heeft nu betrekking op een iets kleinere groep meldingen. Je team blijft overspoeld, alleen staat het water iets minder hoog. Bovendien zat er tussen de meldingen die je niet meer doorstuurt een belangrijke melding. Welke dat was, ontdek je pas wanneer die een probleem is geworden.
De werklast door fout-positieven is enorm. Binnen de sector blijkt 85 tot 95 procent van de screeningsmeldingen fout-positief te zijn. Het overgrote deel van het werk van je analisten levert dus geen daadwerkelijke risicobevindingen op. Daar hangen aanzienlijke kosten aan: één instelling kan jaarlijks tientallen miljoenen dollars besteden aan het afhandelen van meldingen waar nooit iets achter zat, en daarmee het verantwoordelijke team uitputten.
Dit inzicht verandert hoe je het probleem moet bekijken: je verdrinkt niet doordat je te veel onderzoekt, maar doordat de meeste meldingen gebaseerd zijn op naamovereenkomsten zonder context. De gevoeligheid verlagen om dat op te lossen, werkt juist averechts. Fout-positieven zijn geen volumeprobleem, maar een contextprobleem. Zodra je het zo bekijkt, is de oplossing niet langer “minder onderzoeken”, maar “slimmer onderzoeken”.
Waarom je zo veel fout-positieven krijgt
Fout-positieven zijn geen kwestie van toeval of pech. Ze ontstaan door een beperkt aantal concrete, voorspelbare oorzaken, die grotendeels voortkomen uit de manier waarop traditionele screening namen vergelijkt.
Een systeem dat alleen een naam met een lijst vergelijkt, signaleert iedereen met dezelfde achternaam als een gesanctioneerde persoon. Ook de andere veertig mensen die Mohamed Ali heten, komen naar voren. Het signaleert verschillende schrijfwijzen van dezelfde naam, want één naam kan op wel twaalf manieren worden geschreven. Het werkt met onvoldoende gegevens en markeert mensen uitsluitend op basis van een gedeeltelijke naam, zonder geboortedatum of land om personen uit te sluiten. Ook meldt het opnieuw zaken die je vorige maand al hebt afgehandeld, omdat het systeem de recente beoordeling niet onthoudt. Dat gedrag is geen fout: het systeem voert de enige taak uit waartoe het in staat is, namelijk tekenreeksen vergelijken. Het mist alle context waarmee een mens de overeenkomst binnen enkele seconden zou afwijzen.
Daar zit precies de oorzaak. Het systeem geeft deze meldingen terecht weer, omdat het een daadwerkelijke overeenkomst niet van toeval kan onderscheiden. Daarom legt het alle overeenkomsten aan je voor en laat het de beoordeling aan jou over. Als je bedenkt hoeveel sanctielijsten, PEP-databases en bronnen voor negatieve media elk hun eigen vergelijkingen uitvoeren, wordt duidelijk hoe het aantal dubbele meldingen oploopt. Dezelfde klant met wie niets aan de hand is, kan zo op drie plekken tegelijk verschijnen.
De werkelijke kosten van meldingsmoeheid
De zichtbare kosten van al die ruis zijn tijd en geld: de tijd die analisten eraan besteden, de extra medewerkers die nodig zijn om de wachtrij bij te houden en het onboardingproces dat stilvalt terwijl een legitieme klant achter honderden onterechte treffers wacht. Dit zijn de kosten die iedereen meeneemt. Het probleem wordt steevast gezien als het grootste operationele knelpunt binnen compliance en leidt geleidelijk tot personeelsverloop in teams waarvan de opbouw jaren heeft gekost.
De invloed van ruis op de detectie zie je nooit op een dashboard. De analist die op een dag het tweehonderdste fout-positief afhandelt, kijkt er anders naar dan bij het eerste. Meldingen als onterecht afhandelen wordt een reflex, omdat dat in negenennegentig van de honderd gevallen de juiste beslissing is. Het probleem zit in het honderdste geval: de terechte melding die door dezelfde vermoeidheid net als alle andere wordt afgedaan. Meldingsmoeheid vertraagt het team niet alleen, maar leert het geleidelijk om zaken over het hoofd te zien. Precies het tegenovergestelde van wat de meldingen moeten bereiken.
De valkuil van het bijstellen
Daarmee komen we terug bij de eenvoudige oplossing en de reden waarom die niet werkt. Als meldingen zich opstapelen, is de gebruikelijke reactie om de regels aan te scherpen, zodat minder zaken een melding opleveren. Het probleem is dat je maar aan één knop draait: aan de ene kant staan fout-positieven, aan de andere kant gemiste overeenkomsten. Verlaag je de gevoeligheid ver genoeg om de ruis aanzienlijk te verminderen, dan onderdruk je ook terechte treffers. Het systeem kan namelijk niet nauwkeuriger worden, alleen minder gevoelig.
Hogere drempelwaarden nemen de ruis niet weg, maar ruilen die in voor blinde vlekken. Je voelt je misschien iets minder overspoeld, terwijl je ongemerkt minder goed beschermd bent. Dat is een van de slechtst mogelijke combinaties in een gereguleerd systeem. In De misvatting over dekking werken we dit argument verder uit: zolang je systeem uitsluitend overeenkomsten vaststelt, worden dekking en ruis met dezelfde knop geregeld.
De enige houdbare conclusie is dat je een door het bijstellen van instellingen veroorzaakt probleem met fout-positieven niet kunt oplossen door verder aan die instellingen te draaien. Het systeem moet anders gaan werken.
Fout-positieven zijn een contextprobleem
Kijk eens hoe iemand een fout-positief beoordeelt. Die persoon besteedt er weinig tijd aan, maar bekijkt de melding en gaat mogelijke verklaringen na: de geboortedatum klopt niet, het land klopt niet, het gaat om een bedrijf terwijl wij een persoon onderzoeken, we hebben precies die naam vorige week al beoordeeld, of het artikel is eigenlijk positief. Met behulp van die context is binnen enkele seconden duidelijk dat er niets aan de hand is.
Al die beoordelingen zijn gebaseerd op context die het vergelijkingssysteem wel had, maar negeerde. Geef je het systeem diezelfde context, waaronder aanvullende identificatiegegevens zoals geboortedatum en adres, jurisdictie, relaties tussen entiteiten en een geheugen voor eerdere beoordelingen, dan verdwijnt de ruis. Het systeem kan dan namelijk doen wat de analist doet: mogelijkheden uitsluiten.
Dit zou de grootste zorg bij de betrokkenen moeten wegnemen. Deze aanpak brengt geen groter risico met zich mee. Een working paper van de Federal Reserve uit 2025 vergeleek contextbewuste matching met traditionele fuzzy matching bij sanctiescreening. Het onderzoek stelde vast dat contextbewuste matching het aantal fout-positieven met ongeveer 92% verminderde en tegelijk het aantal detecties met circa 11% verhoogde. De aanpak levert dus tegelijkertijd minder ruis en meer terechte overeenkomsten op. De veronderstelde afweging, dat minder fout-positieven onvermijdelijk meer gemiste gevallen betekenen, is een tekortkoming van grove matching en geen natuurwet. Dat verandert het hele doel van het project. Je probeert niet het aantal te beoordelen gevallen te verminderen. Je probeert de machine voldoende beoordelingsvermogen te geven om eenvoudige gevallen zelf af te handelen, zodat mensen alleen nog de moeilijke gevallen hoeven te beoordelen.
Zo verminder je de ruis daadwerkelijk
Wat is dan wel de oplossing als het bijstellen van instellingen niet helpt? In de praktijk verminder je fout-positieven door het systeem context en geheugen te geven. Dit zijn de belangrijkste maatregelen:
- Identificeer personen aan de hand van aanvullende identificatiegegevens. Vergelijk geboortedatum, adres, jurisdictie en de volledige naam in plaats van een roepnaam, en kijk verder dan alleen de tekenreeks van de naam. Zo is dezelfde achternaam niet langer voldoende om een overeenkomst vast te stellen.
- Gebruik relevante context in plaats van één naam met een lijst te vergelijken. Houd rekening met relaties tussen entiteiten en met de omringende feiten, zodat het systeem een aannemelijke overeenkomst kan onderscheiden van een toevallige.
- Filter gevallen weg die duidelijk geen risico vormen. Positief nieuws, duidelijk irrelevante vermeldingen en onjuiste overeenkomsten tussen entiteiten moeten automatisch worden afgehandeld en niet naar een menselijke beoordelaar worden doorgestuurd.
- Onthoud wat je al hebt beoordeeld. Doorlopende monitoring moet echt nieuwe ontwikkelingen signaleren en geen waarschuwingen geven voor gebeurtenissen die in de vorige cyclus al als onterecht zijn afgehandeld. Elke maand het volledige bestand opnieuw moeten doorlopen is een belangrijke bron van ruis.
- Rangschik meldingen op materieel belang. Ken scores toe op basis van zowel risico als ernst, zodat je team zich richt op de gevallen die daadwerkelijk een beslissing vereisen en niet de willekeurige volgorde van de wachtrij hoeft te volgen.
- Zorg dat elke afhandeling als onterecht wordt vastgelegd en aan de bron is gekoppeld. Wordt een melding automatisch als onterecht afgehandeld, leg dan de reden en het ondersteunende bewijs vast. Dat maakt je administratie beter controleerbaar.
Dit draait niet om minder onderzoeken. Bij elk van deze maatregelen neemt het systeem meer over van de beoordeling die een mens voorheen handmatig uitvoerde. Het gezamenlijke effect is niet slechts een kleine verbetering. Als je deze maatregelen combineert, bevat een wachtrij met voorheen duizenden meldingen er nog maar enkele, terwijl de omvang van het detectienet gelijk blijft.
Minder ruis betekent geen concessies aan zorgvuldigheid
Voor complianceprofessionals ligt één zorg voor de hand: de controle door de toezichthouder. Zal die een lager aantal meldingen zien als bewijs dat je onvoldoende grondig onderzoekt? Als je het goed aanpakt, is juist het tegenovergestelde het geval.
Toezichthouders pleiten al jaren voor effectiviteit in plaats van simpelweg meer activiteiten. Een risicogebaseerde aanpak, zoals bedoeld in de FATF-normen, richt de inspanningen op de gebieden met het grootste risico in plaats van op het produceren van zo veel mogelijk meldingen. De FCA heeft meermaals kritiek geuit op transactiemonitoringssystemen die veel meldingen genereren, maar weinig daadwerkelijk opsporen. Handhavende instanties zoals OFAC beboeten bedrijven vanwege ineffectieve screening en het missen van zaken die ze hadden moeten opsporen, niet vanwege een opgeruimde meldingenwachtrij. Een programma dat ruis vermindert, de detectiegraad verbetert en elke afhandeling als onterecht met bewijs vastlegt, is beter te verantwoorden dan een programma waarin echte risico’s onder honderdduizenden valse alarmen verdwijnen. Een toezichthouder ziet liever minder, maar betere meldingen, elk met een duidelijke uitleg. De audittrail is daarbij doorslaggevend: een afhandeling als onterecht met een vastgelegde reden en een verwijzing naar het bewijs is een verdedigbare beslissing. Een melding die stilzwijgend wordt onderdrukt, is slechts een hiaat waarvoor iemand uiteindelijk verantwoording moet afleggen.
Ken je cijfers
Wat je niet meet, kun je niet beheren. Daarom is het belangrijk om de situatie vóór en na de verandering in cijfers vast te leggen. Houd bij welk aandeel van je meldingen terecht blijkt te zijn, wat de verhouding is tussen meldingen en onderzoeken en hoeveel tijd je team gemiddeld aan elke melding besteedt. Als meer dan 90% van de meldingen als onterecht wordt afgehandeld en elke melding meerdere minuten kost, moet je je op dat cijfer richten. Een daling daarvan laat zien dat het programma is verbeterd en niet alleen minder actief is geworden. Het doel is nooit geweest om geen enkele melding meer te krijgen; daarvoor kun je het systeem gewoon uitschakelen. Het doel is een wachtrij waarin de meeste binnenkomende meldingen daadwerkelijk door een mens moeten worden bekeken. Een gezonde wachtrij is niet leeg, maar klein en grotendeels terecht. Als dat het geval is, houden je meest bekwame mensen zich niet langer met ruis bezig en kunnen ze het werk doen waarvoor je hen hebt aangenomen.
Onderzoek slimmer, niet minder
Teams die de valkuil van fout-positieven weten te vermijden, doen dat niet door minder meldingen te bekijken. Ze geven het systeem de context die het nodig heeft om de ruis zelf weg te filteren, zodat mensen zich kunnen richten op het kleine aantal terechte gevallen. Het hele doel van ruisvermindering is om de rol van het team te verschuiven van meldingen afhandelen naar risico’s onderzoeken.
Zo is Beady ontworpen. Met entiteitsresolutie en context filtert Beady ongeveer 95% van de ruis weg voordat die je team bereikt, in plaats van op grove drempelwaarden te vertrouwen. Denk aan overeenkomsten met de verkeerde persoon, herhaalde meldingen over oude zaken, positief nieuws en dubbele meldingen. Het resultaat is een beknopte lijst met signalen die daadwerkelijk onderzoek verdienen. Elk signaal is gekoppeld aan de oorspronkelijke bron, zodat je team het kan verifiëren en een auditor precies kan zien waarom het is gemeld of als onterecht is afgehandeld. Alle negatieve media, sanctiegegevens en juridische dossiers worden op één plek samengebracht. Zo neemt de ruis af en blijft het bewijs behouden.
Wil je weten welk deel van je huidige meldingen uit ruis bestaat? Vraag een demo aan, zodat we de analyse op je eigen screening kunnen uitvoeren.
