预防欺诈和反洗钱

提供无缝客户服务，尽可能降低风险

金融欺诈对金融服务业构成了重大挑战。金融欺诈不仅有许多不同的形式，而且由于实体之间的关系非常复杂，同时存在隐藏模式，因此往往很难发现它。一旦发现欺诈活动，金融机构必须实时通知客户，并立即采取行动加以阻止，例如冻结客户的信用卡。

金融服务行业也受到监管，必须报告反洗钱 (AML) 活动，并使用“了解您的客户” (KYC) 流程对客户进行尽职调查。这通常需要跨产品、市场和地域分析数据，以确定反洗钱的关系和模式。

从概念上讲，洗钱很简单：非法资金四处流通，与合法资金混合，然后变成硬资产。实际上，这要复杂得多，它依赖于使用合成（通常是盗用）身份创建的账户之间的一系列漫长而有效的转账，并且通常使用类似的信息，例如电子邮件和街道地址。简而言之，它涉及海量数据，这就是为什么图形分析等支持高级分析技术的统一数据平台对于 AML 程序至关重要。

通过机器学习保护客户和机构

金融服务行业继续受到高度监控和监管，很少有领域比反洗钱和反恐融资活动受到更多监管。在庞大的犯罪网络的推动下，金融欺诈是一个复杂且日益严峻的挑战，因此需要反洗钱解决方案来提供对整个企业和全球环境的洞察力。

以下架构展示了如何将 Oracle 组件和功能（包括高级分析和机器学习）结合起来，以创建一个涵盖整个数据分析生命周期的数据平台，并提供反洗钱团队所需的洞察力，以识别可能表明欺诈活动的异常行为模式。

此图显示了如何使用面向金融服务的 Oracle Data Platform 来支持欺诈预防和 AML 活动。该平台包括以下五个支柱：

• 数据源、探索
• 连接、摄取、转换
• 持久保存、整理、创建
• 分析、学习、预测
• 评估、行动

“数据源、探索”支柱包括两类数据。

业务记录（第一方）数据包括信用卡交易、账户信息和 ATM 事件流。

第三方数据包括社交馈送。

“连接、摄取、转换”支柱包括四个功能。

批量传输使用 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。

批量摄取使用 OCI Data Integration、Oracle Data Integrator 和数据库工具。

更改数据捕获使用 OCI GoldenGate 和 Oracle Data Integrator。

流摄取使用 OCI Streaming 和 Kafka Connect。

所有四种功能都单向连接到“持久保存、整理、创建”支柱中的云端存储/数据湖功能。

此外，流摄取连接至“分析、学习、预测”支柱中的流处理。

“持久保存、整理、创建”支柱包括四个功能。

服务数据存储使用 Autonomous Data Warehouse 和 Exadata Cloud Service。

云端存储/数据湖使用 OCI Object Storage。

批处理使用 OCI Data Flow。

监管使用 OCI Data Catalog。

这些功能在支柱内互联。云端存储/数据湖不仅单向连接至服务数据存储，还双向连接至批处理。

其中一个功能可连接至“分析、学习、预测”支柱：服务数据存储不仅单向连接至分析和可视化、人工智能服务和机器学习功能，还双向连接至流分析能力。

“分析、学习和预测”支柱包括四个功能。

分析和可视化使用 Oracle Analytics Cloud、GraphStudio 和 ISV。

AI 服务使用 OCI Anomaly Detection、OCI Forecasting 和 OCI Language。

机器学习使用 OCI Data Science 和 Oracle Machine Learning Notebooks。

流分析使用 OCI GoldenGate Stream Analytics。

“测量、行动”支柱包括三个使用者：仪表盘和报告、应用和机器学习模型。

人员和合作伙伴包括地理热图、监管报告、高风险实体预测分析、欺诈趋势。

应用包括 Transaction Anomaly Detection、Text Mining 和 Natural Language Processing (NLP)。

机器学习模型包括网络分析、行为分析、监视列表筛选。

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

目前有三种主要方法可以将数据注入架构，帮助金融服务组织识别潜在的欺诈活动。

• 首先，我们需要来自交易系统和核心银行应用的数据。这些数据可以使用来自第三方来源的客户数据进行扩充，例如，包括来自社交媒体的非结构化数据。频繁实时提取或接近实时提取通常需要更改数据捕获，并且使用 Oracle Cloud Infrastructure (OCI) GoldenGate 定期从事务、风险和客户管理系统摄取数据。OCI GoldenGate 也是不断发展的数据网状结构的重要组成部分，在这种结构中，“数据产品”通过企业数据分类账和多语言数据流进行管理，这些数据流执行连续的转换和加载过程（而不是在单体结构中使用的批量摄入和提取、转换和加载过程）。
• 现在，我们可以使用流摄取通过 OCI Streaming/Kafka 实时从 IoT 传感器、网络管道、日志文件、销售点设备、ATM、社交媒体和其他数据源摄取数据。在将数据存储到云端存储之前，会摄取此流数据（事件）并执行一些基本的转换/聚合。在摄取的同时，我们可以使用流分析实时筛选、聚合、关联和分析来自多个来源的大量数据，这不仅有助于金融机构检测业务威胁和风险（例如来自 ATM 的可疑交易，例如多次重复交易），而且还可以深入了解整体欺诈预防效率。我们可以（手动）反馈关联事件和已识别的模式，以对原始数据进行数据科学检查。此外，可以生成事件以触发操作，例如通过电子邮件或短信通知客户潜在的欺诈行为，或封锁被盗用的借记卡。Oracle GoldenGate Stream Analytics 是一种内存技术，可对流数据执行实时分析计算。
• 虽然实时需求在不断发展，但从核心银行、客户和金融系统中常见的提取是使用提取、转换和加载流程的批量摄取。批量摄取用于从不支持流摄取的系统（例如，旧的大型机系统）导入数据。在反洗钱和“了解您的客户”流程中，数据来自不同的操作系统，例如往来账户和信贷账户交易处理系统，以及提供客户情报的第三方数据源。这些数据可以源自于自各种产品和各个地理位置。批量摄取可以频繁进行，通常每 10 或 15 分钟提取一次，但它们本质上仍然是批量的，因为提取和处理的是一组事务​​而不是单个事务。OCI 提供各种服务来处理批量摄取，例如在 OCI Compute 实例上运行的本机 OCI Data Integration 服务或 Oracle Data Integrator。根据容量和数据类型，数据可以加载到对象存储中，或直接加载到结构化关系数据库中以进行永久性存储。

数据持久性和处理建立在三个（可选四个）组件之上。

• 摄取的原始数据存储在云端存储中，以用于算法目的；我们使用 OCI Object Storage 作为主要的数据持久性层。OCI Data Flow 中的 Spark 是用于处理事务、位置、应用和地理映射数据等数据的主要批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理和基于定义的出站数据集筛选。根据所需的处理和使用的数据类型，将结果写回各层对象存储或持久关系存储库。
• 这些处理过的数据集被返回到云端存储，以进行后续持久化、管理和分析，并最终以优化的形式加载到 Oracle Autonomous Database 提供的服务数据存储中。现在，数据以优化的关系形式持久保存，以用于整理和查询性能；或者根据架构偏好，通过作为托管 Hadoop 集群的 Oracle Big Data Service 来做到这一点。在该使用场景中，训练机器学习模型所需的所有数据都以原始形式从对象存储中访问。为了训练模型，将历史模式与事务处理级别记录相结合，以识别和标记潜在风险。通过将这些数据集与设备数据和地理空间数据等其他数据集相结合，我们能够应用数据科学技术来改进现有模型并开发新模型，以更好地预测潜在的欺诈行为。这种类型的持久性也可用于存储模式的数据，这些模式是通过外部表和混合分区访问的数据存储的一部分。

分析、预测和行动的能力建立在三种技术方法之上。

• 分析和可视化服务（例如 Oracle Analytics Cloud）根据来自服务数据存储中经过整理的数据提供分析，这包括描述性分析（用直方图和图表描述当前的欺诈识别趋势和标记的活动）、预测分析（例如预测未来模式、识别趋势以及确定不确定结果可能性的时间序列分析）和规范性分析（提出合适的行动，从而做出理想决策）。这些分析结果可用于回答以下问题：本期实际被标记的欺诈行为与前几期相比情况如何？
• 除了高级分析之外，也开发、训练和部署机器学习模型。这些经过训练的模型可以在当前和历史事务处理数据上运行，以通过匹配的事务处理和行为模式来检测洗钱行为，而其结果可以持久保留在服务层，并使用 Oracle Analytics Cloud 等分析工具进行报告。为了优化模型训练，该模型和数据还可以被输入机器学习系统（例如 OCI Data Science），以进一步训练模型，在推广前进行更有效的反洗钱模式检测。这些模型可以通过 API 访问，部署在服务数据存储中，或者将其嵌入到 OCI GoldenGate 流分析管道中。
• 此外，我们还可以使用云原生人工智能服务的高级功能。
  • OCI Anomaly Detection 是一项人工智能服务，可针对各种业务构建异常检测模型，以此标记关键事件，加快检测和解决速度。在此用例中，我们将部署这些模型来检测以下各种情况的欺诈行为：在交易生命周期中、在审核期间、基于供应商、商户或交易类型等特定情况下，以及在许多其他场景中。OCI Anomaly Detection 通过使用历史数据并构建适当的异常检测模型来识别所有这些类型的欺诈。例如，如果数据集包括交易类型与金额、地点（经纬度）、供应商名称和其他细节，OCI Anomaly Detection 可以识别欺诈是否与交易金额、交易账户、交易发生地点或提交交易的供应商有关。
  • OCI Forecasting 可用于根据当前指标和影响市场条件预测未来一天、一周或几个月的交易指标，例如交易数量、交易金额等。这些预测可用于计划和设定基准预期，以防范洗钱和其他欺诈行为。
  • OCI Language 和 OCI Vision 可以摄取文档和文本来扩充数据，以进行欺诈检测和反洗钱活动。
• 数据治理是另一个关键组成部分。这是一项由 OCI Data Catalog 提供的免费服务，为数据湖仓生态系统中的所有数据源提供数据治理和元数据管理（包括技术和业务元数据）。OCI Data Catalog 也是从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的的重要查询组件，因为它提供了一种快速查找数据的方法，无论其存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。
• 最后，我们经过整理及测试的高质量、受监管数据和模型可以在数据网格架构中作为数据产品 (API) 公开，以便在整个金融服务机构中分发。

利用适当的数据平台改善欺诈预防和反洗钱活动

Oracle Data Platform 可以帮助您的组织更有效地检测洗钱行为，提高金融犯罪调查的准确性和效率，并简化报告流程来降低合规成本。