每月一度的反洗钱专栏又来啦！
本期小汇想和大家聊一聊
时下大热的大案牍术……不不不，是大数据技术
如何助力反洗钱风险监测的？
很多人可能有点懵：
大数据和反洗钱这二者有什么关联？
下面，先给大家普及两个知识点：
所有通过第三方支付平台掩盖因犯罪行为获得的财物的真实性质、来源、地点、流向，或协助任何与非法活动有关系的人员规避法律应负责任的行为，均属于第三方支付洗钱行为。
大数据技术拥有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。通过技术手段存储、传输、计算、统计、分析、利用并提取有价值的信息，并将这些有意义的信息进行专业化处理和应用。
众所周知，第三方支付平台拥有大量原始数据，不仅包括用户信息、支付金额、支付场景等，还包括支付行为习惯、社交关系等多维度数据，成功构建了以支付为核心的海量、异质化的数据体系。这些数据涵盖的支付用户特征、支付对手方特征、资金收付等行为数据为反洗钱风险监测提供了必要基础。
支付用户数据：包括身份证号、联系电话、联系住址、绑定卡信息等注册时收集的静态基础信息；
支付商户数据：包括统一社会代码、经营范围、联系电话、办公地址、法人信息等注册时收集的静态基础信息；
支付交易数据：包括商户、用户通过第三方支付平台进行支付操作的时间、金额、资金用途，以及支付过程使用的设备信息、IP地址、交易定位等动态信息。还包括商户和用户支付账户的余额、资金收入支出等数据。
通过收集支付数据，将流动资金量、流动次数、流动规律、变异度等作为指标与资金往来账户、客户属性等信息进行关联分析，能够有效发现异常支付行为，进而发现洗钱行为和模式。
说到这里，相信大家都能理解：利用大数据技术，将线性回归、聚类分析、分层分析、决策树等模型应用于第三方支付的反洗钱风险监测，能做到有效判断客户身份信息的真实性、是否存在虚假交易、是否属于洗钱行为、是否存在隐藏的身份关联关系等，对于反洗钱风险监测具有重要意义。
线性回归分析：利用收集的支付数据，建立洗钱活动的某一阶段与资金流入流出等数据之间的相关性模型，从而判断某些支付账户是否存在洗钱活动及其所处的阶段，并对该阶段各个环节的相关数据和发生概率进行风险监测。
聚类分析：一方面可以通过用户设备地址判断关联用户和关联账号，另一方面从交易末端账号对应的银行卡号往前追踪可以识别关联客户，从正向的用户入口和逆向终端银行账户交叉验证可以识别同一用户或用户群，发现关联交易。
分层分析：可以从海量支付数据中找到能够反映洗钱行为、洗钱网络、模式、路径及地点等因素之间存在重要关系的数据，使分析人员可以有的放矢，提高反洗钱行为分析的针对性。同时，通过对不同时点上的支付数据进行分类和聚类，还可以帮助分析人员摸清洗钱各个环节的时间序列及该环节的特点。
决策树算法：可以按照事前已经制定好的决策模式对各种支付数据进行分类，并以树状的决策结构展示出来，为分析者提供一个推理框架，帮助其摸清整个洗钱活动的过程并总结出洗钱活动的共性和模式。
在汇付天下，我们主要将以下这两种模型应用到日常的反洗钱风险监测当中：
反洗钱客户评级模型
反洗钱客户风险等级评定是通过设置客户信息完整度、客户行业、自身地址、触发反洗钱规则次数等评定指标，根据客户身份、风险等级分类标准，对客户按照高、中、低风险等级进行分类。目的是根据客户不同的风险等级采取不同的识别和监控措施，切实防范洗钱风险。
模型按照客户的特点属性，综合考虑其所在地域、所办业务、所处行业、所从事职业、可疑情况等因素，为其划分风险等级，同时予以持续关注，持续优化。
评级模型有助于反洗钱团队把握客户性质，掌握客户的交易偏好，进而对客户交易行为进行风险监测。
反洗钱可疑交易监测模型与大额交易监测模型
反洗钱交易监测模型是通过分析各业务交易场景，设置适用于特定业务的规则监测模型，助力与针对可疑交易、大额交易的排查和确认。
通过将交易数据放入模型规则中进行智能识别，既降低了识别遗漏的可能性，又减轻了反洗钱团队的工作强度，使反洗钱工作从“经验依赖”向“数据依据”转变，实现从手工识别向智能识别的转变！
