マイクロ調査：サプライチェーンコンプライアンス強化への戦略的アプローチ

2020年の課題は、2021年のサプライチェーンコンプライアンスとリスクに深刻な影響を与えます。昨年はあらゆる米国ビジネスを試し、以前には見られない規模の課題を提示しました。多くの企業は、業務を継続するために重要な決定を下すのに、数週間、あるいは数日しかありませんでした。当時は迅速な行動が間違いなく必要でしたが、それらの決定のコンプライアンスへの影響は、今年、より一層の焦点を浴びることになるでしょう。

ほんの一握りの例を挙げましょう。パンデミック初期、企業と政府は突如として希少になった重要な個人防護具（PPE）確保に躍起になり、互いに競合しました。おそらく多くの組織が、必要な物資を確保するために非伝統的なチャネルを利用せざるを得ませんでした。緊急性とこれらのリソースへの競争激化の結果、サプライヤーが伝統的なコンプライアンスプロセスで審査されないまま取引が行われ、多くの組織が潜在的リスクにさらされました。

数週間後、連邦政府はアメリカ経済のエンジンを回し続けるため、5兆ドル以上を経済に注入しました。この刺激策の規模は、スケールだけでなく配分においても前例がありません。2007-2008年の大恐慌後のセクター特化型刺激策や、地理的特化型の自然災害支援とは異なり、COVID-19刺激策は米国経済のほぼ隅々にまで届きました。そして、連邦救済資金が増えるときは、通常、詐欺が並行して増加し、最終的に行き過ぎた資金を回収する動きが生じます。

最後に、パンデミックで多くの組織が財務ストレスに直面している中、組織内で「船を立て直せ」という圧力が高まることがよくあります。これには、セールス担当者へのインセンティブ強化や、サードパーティを活用した回復・成長促進が含まれます。特に小売、ホスピタリティ、航空など、深刻な打撃を受けた業界はこのリスクが高く、監視強化を予測すべきです。

増大するコンプライアンスリスク

結局、2020年の出来事がコンプライアンスリスクを多様な形で引き起こし、それらを今年対処する必要があります。一部企業はD2C（直接消費者向け）流通への迅速なピボットを余儀なくされ、カリフォルニア州消費者プライバシー法（CCPA）などのデータプライバシー法に基づく潜在的責任が生じました。病院やその他医療機関向けに突然PPEを調達することになった組織は、ビジネスアソシエイト契約（BAA）の対象となるなど、医療保険の携帯性と責任に関する法律（HIPAA）規制の遵守が必要になるかもしれません。

ここに次期バイデン政権の優先事項を加えると、すでに困難な状況にさらなる複雑さが加わります。連邦政府と取引する組織、特にCARES法、給与保護プログラム（PPP）、就任後に制定が予想される更なる刺激策の観点から、虚偽請求法違反の執行強化が広く予想されます。海外腐敗行為防止法（FCPA）の執行は超党派で、施行以来着実に強化されています。海外から医療用品やPPEを調達するサプライヤーに対して、FCPA下での追加執行があっても不思議ではありません。また、パンデミックによって露見したサプライチェーンの混乱と脆弱性に関するSEC追加報告要件も、十分にあり得る結果です。

多くの組織でコンプライアンス環境が劇的に変化し、パンデミックによる潜在的財務ストレスもある中、組織はこれらのリスクへの調査を、極めて標的を絞ったコスト効率の良い方法で行う必要があります。非常に効果的な解決策の1つは、「マイクロ調査」と呼ばれるアプローチを採用し、少ないリソースでより多くを成し遂げることです。

マイクロ調査を「小規模」と考えるのは誤解を招くかもしれません。むしろ「高度に標的を絞ったもの」と考えるのが適切です。このアプローチの目的は、特定のコンプライアンスリスクに関する最も重要な文書を、迅速かつコスト効率よく特定することです。目標は「すべての」関連文書を見つけることではなく、「最良の」文書を見つけることです。これを達成するには、深い検索専門知識と高度な検索テクノロジーを組み合わせる必要があります。

調査にはしばしば、従来のキーワード検索と機械学習モデルという2つの鈍器的なツールが用いられます。しかしキーワード検索は2点で問題があります。第一に、一般的に過剰に広範です。多くの主要文書レビューツールの検索構文が、堅牢性ではなくシンプルさに焦点を当てて設計されているためです。この過度な単純化により、大量の文書がヒットし、調査コストが法外になります。第二に、キーワード検索はしばしば重要な文書を見逃し、品質管理プロセスが必ずしもそのギャップを捕捉するとは限りません。

一方、機械学習モデルも、この種の調査には必ずしも適していません。なぜなら、この種の調査では重要文書の出現頻度が非常に低いことが多いからです。訴訟シナリオではケースがある程度成熟していますが、マイクロ調査では、ほぼ定義上「隠れている」、かつ多くの状況で「初期段階」にあるものを探します。出現頻度がこれほど低いと、機械学習モデルはシグナルとノイズを区別するのに苦労します。これらのモデルをチューニングする努力は、時間とコストの両面で大きな犠牲を伴います。機械学習モデルにも役割はありますが、ここはその弱点が露見する状況の1つです。

テクノロジーと専門知識の融合

遥かに効果的なアプローチは、高度な検索構文を備えたテクノロジーと言語パターンを特定し、問題の核心に迫るクエリを作成する言語専門家を組み合わせることです。従来のキーワード検索が過度に単純化された検索構文の制約に縛られるのに対し、より高度なツールは言語のニュアンスの力を活用し、狭く調整され高度に効果的な言語検索モデルを構築できます。機械学習が低出現頻度の母集団で苦戦するのに対し、言語専門家は小さく始めて育てる、厳格で方法論的なアプローチを適用でき、重要な調査経路を追跡し、発見された実際の言語パターンをモデリングできます。

コンプライアンス環境はおそらくこれまで以上に厳しいものです。しかし、積極的な組織は、潜在的リスクを慎重かつ方法論的に調査することで、これらの荒波を乗り越え、より強くなって向こう岸に到達できます。

エリック・ペンダー氏は、企業と法律事務所向けに機密データ分類、管理、分析を提供するH5のエンゲージメントマネージャーです。