Bem-vindo à nossa série sobre como construir uma plataforma de mitigação de crimes financeiros usando o MongoDB como a plataforma de dados unificada capaz de atender às demandas das operações financeiras digitais modernas. Caso você tenha perdido, confira a visão geral da série.
Começaremos nossa jornada no estágio em que toda experiência do cliente começa: Integração de um Novo Cliente, ou como é conhecido no mundo do gerenciamento de risco, uma nova "entidade" (para unificar os conceitos de pessoas e empresas). Vamos explorar as etapas envolvidas no processo!
Etapa 1: captura de dados de cliente em potencial
Na busca de converter um novo cliente em potencial em um cliente, as instituições financeiras começam capturando os dados necessários: desde dados básicos (demográficos), identificação legal e informações fiscais, até a captura de todos os dados relevantes relacionados à vida financeira do cliente em potencial (pontuações de agências de crédito/FICO, ativos e garantias em potencial).
Assim que esses pontos de dados são capturados, você precisa criar um perfil dinâmico que será continuamente atualizado de forma “orientada por eventos”. A criação de um perfil dinâmico visa atingir dois objetivos: cumprir os regulamentos do Know-Your-Customer (KYC), e, ao mesmo tempo, segmentar o cliente para fins comerciais (ou seja, encontrar a melhor oferta).
Do ponto de vista técnico, isso representa um grande desafio: para ter um perfil dinâmico, precisamos agregar dados provenientes de diferentes fontes e esquemas. É aqui que o model de dados flexíveis do MongoDB brilha.
Figura 1. Do monitoramento estático ao monitoramento perpétuo.
O modelo de dados do MongoDB é capaz de agregar todos os dados recebidos sem problemas. Também fornece serviços de plataforma de dados integrados e expostos em uma API unificada que podem ser consumidos por aplicativos voltados para o cliente ou por sistemas de suporte e operacionais.
Figura 2. Armazenamento de dados convergente para KYC.
Etapa 2: verificações básicas do candidato
Depois que os dados de clientes potenciais são capturados, as verificações de mitigação de crimes financeiros começam com uma pergunta enganosamente simples: quem é essa entidade? Em programas de verificação de conformidade, a resposta raramente é direta. Uma única pessoa ou empresa do mundo real pode aparecer em sistemas com diferentes nomes, endereços, identificadores e relacionamentos, às vezes devido a problemas benignos de qualidade de dados, às vezes como uma tentativa deliberada de evitar a detecção.
Portanto, é necessária uma comparação abrangente (além de apenas text). Mais uma vez, as funcionalidades do MongoDB se destacam. Podemos combinar texto e dados contextuais (semânticos) para obter melhores resultados; isso é chamado de pesquisa híbrida usando o operador MQL $rankFusion.
Figura 3. Exemplo de resultados de pesquisa paralelos mostrando as funcionalidades avançadas de pesquisa do MongoDB.
(Imagem extraída do nosso protótipo de demonstração. informação: a aparência é de uma IU personalizada desenvolvida para fins de demonstração. (Não faz parte da oferta do MongoDB.)
O maior benefício de utilizar o MongoDB é ter todas essas funcionalidades avançadas de pesquisa integradas e disponíveis no mesmo cluster do MongoDB, sem a necessidade de mover os dados para outro lugar ou ter que usar mecanismos de pesquisa externos de terceiros.
Etapa 3: verificação de conformidade
Depois de identificar perfis semelhantes, agora devemos executar verificações de conformidade. O objetivo principal é analisar os relacionamentos da entidade e, para isso, precisamos verificar todos os links em potencial com os clientes existentes do banco e as transações de alto valor. Do ponto de vista técnico, precisamos de um grafo de rede de todos os relacionamentos possíveis:
Figura 4. Exemplo de grafo de rede de uma entidade.
(Imagem extraída do nosso protótipo de demonstração. informação: a aparência é de uma IU personalizada desenvolvida para fins de demonstração. (Não faz parte da oferta do MongoDB.)
A construção deste gráfico de rede é possível usando MQL $graphLookup, um operador disponível por meio do pipeline de agregação do MongoDB. O maior benefício de usar o MongoDB é que sempre que você precisar ajustar para um nível de confiança mais alto, ele pode construir a rede instantaneamente à medida que você ajusta os filtros de profundidade e de confiança, sem a necessidade de tabelas de grafos pré-computados ou validação de cache.
Instantaneamente, você pode desvendar os diferentes relacionamentos possíveis entre entidades, cada um com o grau de confiança correspondente.
Figura 5. Exemplo da análise de relacionamento.
(Imagem extraída do nosso protótipo de demonstração. informação: a aparência é de uma IU personalizada desenvolvida para fins de demonstração. (Não faz parte da oferta do MongoDB.)
Esse resultado estabelece a base para uma análise de comportamento que convergirá para uma visão única do perfil do cliente.
Etapa final: criar uma visão única do cliente
Depois de coletar esses pontos de dados, a etapa final (por enquanto) é agregá-los em uma única visualização do perfil do cliente. Aqui, o modelo de dados do MongoDB traz a flexibilidade necessária para centralizar todos os dados dinâmicos que serão capturados não uma vez, mas de forma contínua.
Figura 6. Exemplo de uma entidade armazenada na estrutura de document do MongoDB.
(Imagem extraída do nosso protótipo de demonstração. informação: a aparência é de uma IU personalizada desenvolvida para fins de demonstração. (Não faz parte da oferta do MongoDB.)
O modelo de dados do MongoDB se destaca em um model de visualização única por ser capaz de combinar dados estruturados com dados não estruturados que podem coexistir com uma representação vetorizada do perfil, o que ajudará a encontrar perfis semelhantes e agrupar perfis de clientes de forma mais eficaz.
Figura 7. Exemplo de resultados da pesquisa de similaridade.
(Imagem extraída do nosso protótipo de demonstração. informação: a aparência é de uma IU personalizada desenvolvida para fins de demonstração. (Não faz parte da oferta do MongoDB.)
Conclusões
A integração de uma nova entidade como cliente (seja ela um indivíduo ou um cliente potencial corporativo) requer uma plataforma de dados moderna que possa capturar dados recebidos de diferentes fontes, em diferentes formatos e esquemas.
O fator mais crítico para uma operação de combate a crimes financeiros bem-sucedida é a criação de um perfil dinâmico do cliente. Portanto, a captura e o processamento de todos os pontos de dados possíveis são cruciais. Também precisamos entender os relacionamentos em potencial da entidade com clientes existentes ou com transações conhecidas. Para isso, as funcionalidades de pipeline de agregação MongoDB, como a criação de um grafo de rede "em tempo real", podem revelar um comportamento imperceptível.
Por fim, os dados e as análises devem confluir em uma única visualização. Aqui, a flexibilidade do modelo de dados do MongoDB é um divisor de águas. Ele é capaz de armazenar — em dimensionar — dados estruturados e não estruturados em uma única instância. Ele também pode combiná-lo com uma representação vetorizada do perfil para executar pesquisas de similaridade com precisão.
No próximo artigo desta série, vamos nos aprofundar em como a IA pode aprimorar os processos de devida diligência como parte de uma devida diligência abrangente usando o perfil comportamental do cliente. Fique atento!
Próximos passos
Leia nossa visão geral da Série sobre como construir uma plataforma de mitigação de crimes financeiros com o MongoDB.
Confira este tutorial passo a passo guiado sobre como criar uma plataforma de mitigação de crimes financeiros com o MongoDB Atlas.