調查程序的最佳做法

本頁面將概略說明使用風險分數和可解釋性的最佳做法。

使用風險分數

您可以在調查過程中使用風險分數，優先調查高風險的對象。

常見做法包括根據調查員負載或所選風險等級發出警報：

• 容量限制：根據可用的調查人員人數，依風險分數由高至低排序，在輸出表格中警示或調查前 n 名對象。

  注意： 建議您評估隱含風險等級 (例如，最低分數的警示個案邊際轉換率)，並視情況調整調查員人數。

• 風險導向：針對風險分數高於每月固定門檻的所有對象發出警報或進行調查。這也是根據回測結果所得出的結論，可讓您在回想先前案件和發現新風險時，達到可接受的回憶率。詳情請參閱「收集模型和風險治理構件」。

  注意： 使用新模型或重新訓練的模型時，應重新評估風險分數門檻，因為相同的門檻可能會對應到不同的風險等級，這取決於資料集或模型的其他方面。

使用可解釋性

您可以將最高正歸因分數的功能組合提供給調查人員，以便引導調查方向，縮短每項調查所需的時間或提高成功率。根據經驗，負分數 (表示某個功能群組已降低案件風險) 可能不利於調查人員使用，因此部分反洗錢 AI 客戶不會向調查人員顯示這些分數。為獲得最佳成效，請考量調查人員需要接受哪些訓練或指引，才能處理不同功能群組相關的調查。

您也可以將可解釋性用於其他用途：

• 判斷客戶行為是否已變更到足以進行第二次調查，或對該客戶發出重複警示
• 從特徵家族的貢獻資料中，找出長期的深入分析洞察資料

篩除重複的快訊

AML AI 風險分數可找出高風險對象，但不會區分重複的警報。舉例來說，如果某位客戶在 2023 年 3 月出現高風險，2023 年 4 月也可能出現類似的分數，因此會產生兩個連續案件，即使其行為並未改變。建議您套用規則來篩除重複的快訊，避免對目前或最近完成調查的對象重複發出快訊，除非風險分數或可解釋性有重大變化。