Lutter contre la criminalité financière avec MongoDB / Partie I : les profils clients dynamiques

Bienvenue dans notre série sur l'élaboration d'une plateforme de lutte contre les crimes financiers à l'aide de MongoDB. En tant que plateforme de données unifiée, MongoDB est capable de répondre aux exigences des opérations financières numériques du monde moderne. Au cas où vous l'auriez manqué, n'oubliez pas de consulter l'aperçu de la série.

Nous commencerons notre parcours au début même de chaque expérience client : l’ajout d’un nouveau client, ou comme on l'appelle dans le secteur de la gestion des risques, une nouvelle « entité » (pour unifier les concepts de particuliers et d’entreprises). Voyons maintenant les étapes de ce processus !

Étape 1 : recueillir les données des clients potentiels

Afin de convertir un nouveau prospect en client, les institutions financières commencent par recueillir les données requises : des données (démographiques) de base aux informations d'identification légale et fiscale, en passant par toutes les données pertinentes liées à la vie financière du prospect (scores des agences de crédit/FICO, actifs et garanties potentielles). 

Dès que ces points de données sont dans le système, vous devez créer un profil dynamique qui sera mis à jour en permanence au rythme de différents « événements ». La création d'un profil dynamique vise à accomplir deux objectifs : se conformer aux réglementations Know-Your-Customer (KYC), tout en assurant la segmentation des clients à des fins commerciales (c'est-à-dire trouver la meilleure offre).

Techniquement parlant, cela représente un défi majeur : pour obtenir un profil dynamique, il faut agréger des données provenant de différentes sources et schémas. C'est là que le modèle de données flexible de MongoDB sort du lot.

Figure 1. De la surveillance statique à la surveillance permanente.

Le modèle de données de MongoDB est capable d’agréger toutes les données entrantes de manière très simple. Il fournit également des services de plateforme de données nativement intégrés et exposés dans une API unifiée qui peut être utilisée par les applications destinées aux clients, ou par les systèmes de support et opérationnels.

Figure 2 : Convergence des données dans un même référentiel pour KYC.

Étape 2 : contrôles de base des candidats

Une fois que les données des prospects ont été recueillies, les vérifications de lutte contre la criminalité financière commencent par une question apparemment simple : qui est cette entité ? Dans les programmes de contrôle de conformité, la réponse est rarement simple. Une même personne ou entreprise du monde réel peut apparaître dans les systèmes sous des noms, des adresses, des identifiants et des relations différents, parfois en raison de problèmes légers de qualité des données, parfois dans une tentative délibérée d'échapper à la détection.

Une comparaison complète est donc requise (au-delà du simple texte). Encore une fois, MongoDB se distingue par ses capacités. Il est possible de combiner du texte et des données contextuelles (sémantiques) pour obtenir de meilleurs résultats ; c'est ce que l'on appelle la recherche hybride à l'aide de l'opérateur MQL $rankFusion.

Figure 3. Exemple de résultats de recherche parallèles qui montrent les fonctionnalités de recherche avancées de MongoDB.

(Image tirée de notre prototype de démonstration). Attention : l'apparence de cette interface provient d'une UI personnalisée développée pour les démonstrations. Elle ne fait pas partie de l'offre de MongoDB.

MongoDB présente l'avantage de proposer toutes ces capacités de recherche avancées intégrées et disponibles au sein du même cluster MongoDB, sans avoir besoin de déplacer les données ailleurs ni d'utiliser des moteurs de recherche externes tiers.

Étape 3 : vérification de la conformité

Après avoir identifié des profils similaires, il faut maintenant effectuer des vérifications de conformité. L'objectif principal est d'analyser les relations de l'entité et, pour ce faire, nous devons examiner tous les liens potentiels avec les clients existants de la banque et les transactions à montant élevé. Techniquement parlant, nous devons établir un graphe réseau de toutes les relations possibles :

Figure 4. Exemple du graphe réseau d’une entité.

(Image tirée de notre prototype de démonstration). Attention : l'apparence de cette interface provient d'une UI personnalisée développée pour les démonstrations. Elle ne fait pas partie de l'offre de MongoDB.

L'élaboration de ce graphe réseau est possible grâce à MQL $graphLookup, un opérateur disponible via le pipeline d’agrégation de MongoDB. Le plus grand avantage de l'utilisation de MongoDB est que chaque fois que vous avez besoin de passer à un niveau de confiance plus élevé, le réseau se reconstruit instantanément lorsque vous ajustez les filtres de profondeur et de confiance. Nul besoin de tableaux de graphes précalculés ni d'invalidation de cache.  

Vous pouvez instantanément révéler les différentes relations possibles entre les entités, chacune avec le degré de confiance correspondant.

Figure 5. Exemple d'une analyse des relations.

(Image tirée de notre prototype de démonstration). Attention : l'apparence de cette interface provient d'une UI personnalisée développée pour les démonstrations. Elle ne fait pas partie de l'offre de MongoDB.

Ce tableau produit constitue la base pour une analyse comportementale qui donnera une vue unique du profil client.

Dernière étape : création d'une vue unique du client

Après avoir recueilli ces données, la dernière étape (pour l'instant) consiste à les agréger en une vue unique du profil client. Ici, le modèle de données de MongoDB apporte la flexibilité nécessaire pour centraliser toutes les données dynamiques qui seront capturées non pas une fois, mais de manière continue.

Figure 6. Exemple d’entité stockée dans la structure de document de MongoDB.

(Image tirée de notre prototype de démonstration). Attention : l'apparence de cette interface provient d'une UI personnalisée développée pour les démonstrations. Elle ne fait pas partie de l'offre de MongoDB.

Le modèle de données de MongoDB excelle dans un modèle « vue unique » car il est capable de combiner des données structurées avec des données non structurées pouvant potentiellement coexister avec une représentation vectorisée du profil, ce qui permet de trouver des profils similaires et de regrouper plus efficacement les profils clients.

Figure 7. Exemple de résultats de recherche par similarité.

(Image tirée de notre prototype de démonstration). Attention : l'apparence de cette interface provient d'une UI personnalisée développée pour les démonstrations. Elle ne fait pas partie de l'offre de MongoDB.

Points importants

L'intégration d'une nouvelle entité en tant que client (qu'il s'agisse d'un particulier ou d'un prospect entreprise) nécessite une plateforme de données moderne capable de capturer des données entrantes provenant de différentes sources, dans des formats et des schémas différents. 

Le facteur le plus crucial pour une opération réussie de lutte contre la criminalité financière est la création d'un profil client dynamique. Il est donc essentiel de saisir et de traiter tous les points de données possibles. Nous devons également comprendre les relations potentielles de l'entité avec les clients existants ou les transactions connues. Pour cela, les capacités du pipeline d’agrégation MongoDB – comme la création d’un graphe réseau « à la volée » – peuvent révéler des comportements imperceptibles.

Enfin, les données et les analyses doivent converger en une vue unique. Ici, la flexibilité du modèle de données de MongoDB change la donne. Il est capable de stocker – à grande échelle – des données structurées et non structurées en une seule instance. Il peut également combiner cela avec une représentation vectorisée du profil afin d'effectuer des recherches de similarité avec précision. 

Dans le prochain article de cette série, nous verrons plus en détail comment l'IA peut améliorer les processus de diligence raisonnable dans le cadre d'une diligence raisonnable complète utilisant le profil comportemental du client. Restez à l'écoute !