Ti diamo il benvenuto nella nostra serie dedicata alla creazione di una piattaforma per la prevenzione dei crimini finanziari utilizzando MongoDB come piattaforma dati unificata in grado di supportare le esigenze delle moderne operazioni finanziarie digitali. Nel caso te la fossi persa, ti invitiamo a dare un'occhiata alla panoramica della serie.
Inizieremo il nostro percorso dalla fase in cui ha inizio ogni esperienza del cliente: l' acquisizione di un nuovo cliente o, come si dice nel mondo della gestione del rischio, una nuova "entità" (per unificare i concetti di individui e aziende). Esploriamo insieme le fasi del processo.
Fase 1: acquisizione dei dati dei potenziali clienti
Nel tentativo di trasformare un nuovo potenziale cliente in un cliente effettivo, gli istituti finanziari iniziano raccogliendo i dati necessari: dai dati di base (demografici), passando per l'identificazione legale e le informazioni fiscali, fino ad acquisire qualsiasi dato rilevante relativo alla vita finanziaria del potenziale cliente (punteggi di credito/FICO, patrimonio e potenziali garanzie).
Non appena vengono acquisiti questi dati, è necessario creare un profilo dinamico che verrà aggiornato continuamente in base agli eventi. La creazione di un profilo dinamico mira a raggiungere due obiettivi: rispettare le normative Know-Your-Customer (KYC) e, allo stesso tempo, segmentare i profili dei clienti a fini commerciali (ovvero, individuare l'offerta più adatta).
Dal punto di vista tecnico, ciò rappresenta una sfida importante: per avere un profilo dinamico, è necessario aggregare dati provenienti da fonti e schemi diversi. È qui che il data model flessibile di MongoDB dà il meglio di sé.
Figura 1. Dal monitoraggio statico a quello continuo.
Il data model di MongoDB consente di aggregare senza interruzioni tutti i dati in ingresso. Fornisce inoltre servizi di piattaforma dati integrati in modo nativo ed esposti in un'API unificata che può essere utilizzata da applicazioni rivolte ai clienti o da sistemi di supporto e operativi.
Figura 2. Archivio dati convergente per KYC.
Passo 2: controlli di base dei candidati
Una volta acquisiti i dati dei potenziali clienti, i controlli per la prevenzione dei reati finanziari iniziano con una domanda apparentemente semplice: chi è questa entità? Nei programmi di controllo della conformità, la risposta è raramente semplice. Una singola persona o azienda reale può apparire in diversi sistemi con nomi, indirizzi, identificativi e relazioni differenti, a volte a causa di semplici problemi di qualità dei dati, altre volte come tentativo deliberato di eludere i controlli.
Pertanto, è necessario un confronto esaustivo (che vada oltre il semplice testo). Ancora una volta, le funzionalità di MongoDB si distinguono. Possiamo combinare testo e dati contestuali (semantici) per ottenere risultati migliori; ciò si chiama ricerca ibrida utilizzando l'operatore MQL $rankFusion.
Figura 3. Esempio di risultati di ricerca parallela che mostrano le capacità avanzate di ricerca di MongoDB.
(Immagine tratta dal nostro prototipo dimostrativo. Nota: l'aspetto grafico deriva da una IU personalizzata sviluppata a scopo dimostrativo. Non fa parte dell'offerta di MongoDB.
Il vantaggio principale dell'utilizzo di MongoDB risiede nell'avere tutte queste funzionalità di ricerca avanzate integrate e disponibili all'interno dello stesso cluster MongoDB, senza la necessità di spostare i dati altrove o di utilizzare motori di ricerca esterni di terze parti.
Passaggio 3: verifica della conformità
Dopo aver identificato profili simili, dobbiamo ora eseguire i controlli di conformità. L'obiettivo principale è analizzare le relazioni dell'entità e, a tal fine, dobbiamo esaminare tutti i potenziali collegamenti con i clienti esistenti della banca e le transazioni di importo elevato. Tecnicamente parlando, abbiamo bisogno di un grafico di rete che rappresenti tutte le possibili relazioni:
Figura 4. Esempio di grafico di rete di un'entità.
(Immagine tratta dal nostro prototipo dimostrativo. Nota: l'aspetto grafico deriva da una IU personalizzata sviluppata a scopo dimostrativo. Non fa parte dell'offerta di MongoDB.
La creazione di questo grafico di rete è possibile utilizzando MQL $graphLookup, un operatore disponibile tramite l'aggregation pipeline di MongoDB. Il principale vantaggio dell'utilizzo di MongoDB è che, quando è necessario aumentare il livello di confidenza, il sistema è in grado di ricostruire istantaneamente la rete regolando profondità e filtri di confidenza, senza la necessità di tabelle di grafici precalcolate o di invalidazione della cache.
È possibile rivelare istantaneamente le diverse possibili relazioni tra le entità, ciascuna con il corrispondente grado di confidenza.
Figura 5. Esempio di analisi delle relazioni.
(Immagine tratta dal nostro prototipo dimostrativo. Nota: l'aspetto grafico deriva da una IU personalizzata sviluppata a scopo dimostrativo. Non fa parte dell'offerta di MongoDB.
Questo risultato pone le basi per un'analisi comportamentale che convergerà in una visualizzazione singola del profilo del cliente.
Ultimo passaggio: creazione di una visione unificata del cliente
Dopo aver raccolto questi dati, l'ultimo passo (per ora) è aggregarli in una visualizzazione singola del profilo cliente. Qui, il data model di MongoDB offre la flessibilità necessaria per centralizzare tutti i dati dinamici che saranno acquisiti non una sola volta, ma in modo continuo.
Figura 6. Esempio di un'entità memorizzata nella struttura a documenti di MongoDB.
(Immagine tratta dal nostro prototipo dimostrativo. Nota: l'aspetto grafico deriva da una IU personalizzata sviluppata a scopo dimostrativo. Non fa parte dell'offerta di MongoDB.
Il modello dati di MongoDB eccelle in un modello a visualizzazione singola, in quanto è in grado di combinare dati strutturati e dati non strutturati che potrebbero potenzialmente coesistere con una rappresentazione vettoriale del profilo, che aiuterà a trovare profili simili e a raggruppare i profili dei clienti in modo più efficace.
Figura 7. Esempio di risultati di una ricerca per similarità.
(Immagine tratta dal nostro prototipo dimostrativo. Nota: l'aspetto grafico deriva da una IU personalizzata sviluppata a scopo dimostrativo. Non fa parte dell'offerta di MongoDB.
Conclusioni
L'acquisizione di un nuovo cliente (sia esso un individuo o un'azienda) richiede una piattaforma dati moderna in grado di acquisire dati in entrata da diverse fonti, in diversi formati e schemi.
Il fattore più critico per il successo di un'operazione di prevenzione dei reati finanziari è la creazione di un profilo cliente dinamico. Pertanto, è fondamentale acquisire ed elaborare tutti i dati possibili. Dobbiamo inoltre comprendere le potenziali relazioni dell'entità con i clienti esistenti o con le transazioni note. A tal fine, le funzionalità dell'aggregation pipeline di MongoDB, come la creazione di un grafico di rete "al volo", possono far emergere comportamenti non immediatamente visibili.
Infine, i dati e le analisi devono convergere in una visualizzazione singola. In questo caso, la flessibilità del data model di MongoDB è un fattore determinante. È in grado di memorizzare su larga scala dati strutturati e non strutturati in un'unica istanza. Può anche essere combinato con una rappresentazione vettoriale del profilo per eseguire ricerche per similarità in modo accurato.
Nel prossimo articolo di questa serie, approfondiremo come l'AI possa migliorare i processi di due diligence nell'ambito di una due diligence completa che utilizza il profilo comportamentale del cliente. Continua a seguirci!
Next Steps
Leggi la panoramica della nostra serie su Creare una piattaforma per la prevenzione dei crimini finanziari con MongoDB.
Dai un'occhiata a questo tutorial guidato passo passo su come creare una piattaforma per la prevenzione dei crimini finanziari con MongoDB Atlas.