反洗钱

终结误报与漏报的烦扰

近些年,因洗钱产生的违规罚款每年超过14亿美元,并且还在不断上升。 监管团队一直在努力平衡漏报导致的高额罚款和处理误报导致的高成本。 传统的反洗钱检测方案容易出现误报,同时也无法检测到复杂的洗钱手段。 最近的一份PWC报告指出约90-95%的检测结果是误报。DataVisor以无监督机器学习为核心的AML交易监测解决方案,是目前最先进的AML TMS解决方案,与当前的其他TMS解决方案相比,可大大减少误报和漏报。

申请试用

检测多种洗钱手法

虚假账户

洗钱者通过伪造身份或盗用身份来创建虚假账户,用来转移资金

大额资金拆分

洗钱者通过小面值存入资金来避免基于金额的检测

多层转移

洗钱者通过多个虚假账户转移资金来掩盖资金流动

大幅度减少误报与漏报

传统交易监测解决方案依赖于规则或有监督机器学习模型。由于欺诈者会不断寻求新的方法来逃避检测, 规则和模型都需要不断地更新。 DataVisor的无监督机器学习引擎同时分析数亿计的用户和事件,以识别用户之间的潜在关联和资金流。 这种方法增加了检测覆盖率,并能大大减少误报。 此外,DataVisor的自动规则引擎可生成易于理解的规则,让客户符合严格的金融合规要求。

降低误报

减少误报产生的高额人工调查成本,让您专注于调查并上报真正可疑的警报

减少漏报

随着不断演变的新型洗钱手法而自动调整更新

自动规则引擎

缩短机器学习技术和理解性及合规性之间的差距

了解DataVisor如何检测洗钱

技术白皮书

使用AI来减少误报并提高合规性

下载

网上研讨会

如何将机器学习应用于反洗钱

下载

技术方案简介

了解UML如何减少误报并提高覆盖率

下载

DataVisor解决方案

发现隐秘的洗钱手段

无需训练数据或标签,发现复杂的洗钱活动

减少误报

使用DataVisor输出的检测分数,提高现有解决方案的准确性。

生成合规的结果

DataVisor将模型转化为可理解的规则,使结果符合运营团队和金融监管的合规性要求。

与现有方案整合

DataVisor的检测结果能提高现有TMS输出的结果质量。

通过分析账号之间的关联来检测洗钱账号

反洗钱领域动态

博客文章

嘉宾解读:终结反洗钱误报的困扰

传统交易监控系统长期受到误报的困扰。 Keith Furst是Data Derivatives的创始人及资深的反洗钱数据分析师,在这篇嘉宾文章中,Keith讨论了误报的问题,以及银行如何能使用无监督的机器学习来提高应对洗钱的能力。

阅读博客

博客文章

专家解读:另一个棘手的问题,反洗钱系统中的漏报

漏报在反洗钱行业中早已是声名狼藉。 如Keith之前关于误报的文章中提到的,大约有90%-95%的TMS产生的警报是误报。 那么,为什么不加强检测规则,产生更少的误报报警?

阅读博客

博客文章

专家解读:反洗钱数据质量 – 两物不相合

基于规则的传统反洗钱交易监控系统具有架构限制,是它们容易出现误报和漏报的根本原因。 而这篇文章则重点讨论传统解决方案的另一缺点:传统交易监控系统僵化的数据模型如何导致低质量数据,以导致更多的误报和漏报。

阅读博客

阅读DataVisor最近动态

前往博客

想了解DataVisor如何帮助你减少金融损失吗?
马上申请安全评估吧!

申请试用