Vorhersageausgaben verstehen

Auf dieser Seite werden die Vorhersageausgaben beschrieben, die sich aus der Anfrage von Vorhersageergebnissen von AML AI ergeben.

Informationen zum Schema und zu den Feldern der Vorhersageausgaben in BigQuery finden Sie unter Vorhersageausgaben.

Risiko-Punktzahlen

Die Risikobewertungen liegen zwischen 0 und 1. Eine höhere Punktzahl deutet auf ein höheres Risiko hin. Risikobewertungen sollten jedoch nicht direkt als Wahrscheinlichkeit von Geldwäscheaktivitäten interpretiert werden.

Risikobewertungen werden für einen vollständigen Kalendermonat direkt vor dem angegebenen endTime erstellt (oder auch für mehrere, wenn predictionPeriods größer als ein ist). Für jede Partei wird jeden Monat eine Risikobewertung berechnet.

Erklärbarkeit

Die Erklärbarkeit von AML AI gibt mithilfe von Featurefamilien an, welche Verhaltensweisen oder Merkmale zur Risikobewertung einer bestimmten Partei beitragen. Die Erklärbarkeit umfasst die Parteien mit dem höchsten Risiko, einschließlich aller Parteien, die Sie untersuchen würden. Für Kunden mit geringerem Risiko ist möglicherweise keine Erklärbarkeit enthalten.

Funktionsfamilien

Funktionsfamilien sind Sammlungen verwandter AML-KI-Features, die eine für Menschen verständliche Kategorisierung ermöglichen, um Prüfer und interne Auditteams zu informieren.

Jede Featurefamilie deckt einen bestimmten Satz von Transaktionsverhalten oder Partyeigenschaften ab. Darüber hinaus haben einige Funktionsfamilien einen bestimmten Schwerpunkt, sodass Ermittler wissen, wo sie anfangen sollen. Beispiele für den Fokus:

  • Die Art der betreffenden Transaktion:
    • Draht
    • Barzahlung
    • Häkchen
    • Karte
    • Sonstiges
  • Die Richtung der Transaktionen:
    • Belastung (ausgehend für die Partei)
    • Gutschrift (Einkommen der Partei)

Attributionswert der Featurefamilie

Für jede Gruppe mit hohem Risiko und jede Featurefamilie wird ein Attributionswert vergeben, der den Beitrag der Featurefamilie zur Risikobewertung der Partei angibt. Ein hoher positiver Wert zeigt einen starken Beitrag zur Erhöhung des Risikoscores an. Ein negativer Wert trägt wiederum dazu bei, den Wert zu senken.

Featurefamilien mit dem höchsten positiven Attributionswert sind für eine Untersuchung der Partei wahrscheinlich am relevantesten.

Sehen Sie sich die folgenden Beispiel-Attributionswerte für eine bestimmte Partei an:

FunktionsgruppeAttributionswert
Ungewöhnliche Kartenbelastungsaktivitäten0,4
Ungewöhnlich schnelle Geldbewegungen0.8
Ungewöhnliche Aktivitäten bei Überweisungen-0,2

Dieses Beispiel kann so interpretiert werden:

  • Die schnelle Finanzierung der Partei hat am meisten zu ihrer hohen Risikobewertung beigetragen. Dort könnte eine Untersuchung beginnen.
  • Ungewöhnliche Kartenabbuchungen haben ebenfalls einen erheblichen Beitrag geleistet, daher sollten Sie ebenfalls berücksichtigt werden.
  • Durch die Überweisungen der Partei hat sich der Risikowert tatsächlich verringert, sodass eine Überprüfung unwahrscheinlich ist.