欢迎阅读我们关于“使用 MongoDB 构建金融犯罪防控平台”的系列文章，该平台作为统一的数据平台，能够满足现代数字金融运营的需求。如果您错过了，请务必查阅该系列概述。
我们将在每个客户体验开始的阶段开启旅程：新客户准入，或者在风险管理领域，这被称为新“实体”（以统一个人和企业的概念）。让我们一起来了解这个过程涉及的各个步骤！
第 1 步：采集潜在客户数据
在将新的潜在客户转化为正式客户的过程中，金融机构首先会采集所需的数据：从基础（人口统计）数据，到法律身份和税务信息，再到与潜在客户财务生活相关的任何数据（信用机构/FICO 评分、资产及潜在抵押物）。
一旦采集到这些数据点，就需要构建动态画像，画像会以“事件驱动”的方式持续更新。建立动态画像旨在实现两个目标：遵守“了解您的客户”(KYC) 法规，同时出于商业目的对客户进行细分（即寻找最佳产品）。
从技术角度来看，这带来了一项重大挑战：要构建动态画像，我们需要汇总来自不同来源、不同模式的数据。这正是 MongoDB 灵活数据模型的优势所在。
图 1.从静态到永久监控。
MongoDB 的数据模型能够无缝汇总所有传入数据。它还提供本机集成并在统一 API 中公开的数据平台服务，这些服务可供面向客户的应用程序使用，或者由支持系统和操作系统使用。
图 2. KYC 的融合数据存储。
第 2 步：候选人基本检查
采集到潜在客户数据后，金融犯罪防控检查就会从一个看似简单的问题开始：这个实体是谁？在合规检查程序中，答案很少是直接了当的。同一个真实的人或企业可能会以不同的名称、地址、标识符和关系出现在不同的系统中，有时是出于无意的数据质量问题，有时则是为了故意逃避检测。
因此，需要进行全面的比较（不仅仅是文本比较）。这时，MongoDB 的能力将再次凸显。我们可以将文本和上下文（语义）数据相结合，以获得更好的结果；这称为使用 MQL $rankFusion 操作符的混合搜索。
图 3. 显示 MongoDB 高级搜索功能的并行搜索结果示例。
（图片出自我们的演示原型）。声明：外观来源于为演示目的而开发的自定义用户界面。并非 MongoDB 产品的一部分。）
使用 MongoDB 的最大优势在于，所有这些高级搜索功能都已集成并可在同一个 MongoDB 集群中使用，无需将数据迁移到别处，也无需使用第三方外部搜索引擎。
第 3 步：合规验证
识别出类似的画像后，我们现在必须运行合规检查。主要目标是分析实体的关系，为此我们需要扫描实体与所有与现有银行客户及高额交易的潜在关联。从技术上讲，我们需要一个包含所有可能关系的网络图表：
图 4. 实体的网络图表示例。
（图片出自我们的演示原型）。声明：外观来源于为演示目的而开发的自定义用户界面。并非 MongoDB 产品的一部分。）
构建此网络图表，可以通过 MongoDB 聚合管道提供的操作符 MQL $graphLookup 来实现。使用 MongoDB 的最大优势在于，每当您需要调整到更高的置信度级别时，它可以在您调整深度和置信度过滤器时立即重建网络，无需预先计算图表或进行缓存无效处理。
您可以即时揭示各种可能的实体关系，每种关系都具有相应的置信度级别。
图 5. 关系分析示例。
（图片出自我们的演示原型）。声明：外观来源于为演示目的而开发的自定义用户界面。并非 MongoDB 产品的一部分。）
该输出结果为行为分析奠定了基础，最终将融合为客户画像的单一视图。
最后一步：构建单一客户视图
收集这些数据点后，（目前）最后一步是将它们聚合到客户画像的单一视图中。在这里，MongoDB 的数据模型提供了集中所有动态数据所需的灵活性，这些数据不是一次性捕获的，而是持续捕获的。
图 6. 存储在 MongoDB 文档结构中的实体示例。
（图片出自我们的演示原型）。声明：外观来源于为演示目的而开发的自定义用户界面。并非 MongoDB 产品的一部分。）
MongoDB 的数据模型在单一视图模型中表现出色，因为它能够将结构化数据与可能伴随画像向量化表示的非结构化数据相结合，这将有助于更有效地查找相似画像并对客户画像进行聚类。
图 7. 相似性搜索结果示例。
（图片出自我们的演示原型）。声明：外观来源于为演示目的而开发的自定义用户界面。并非 MongoDB 产品的一部分。）
秘诀
将一个新实体作为客户（无论是个人还是企业潜在客户）进行准入，需要一个能够从不同来源、以不同格式和模式采集传入数据的现代数据平台。
成功的反金融犯罪操作最关键的因素便是构建动态客户画像。因此，采集和处理所有可能的数据点至关重要。我们还需要了解实体与现有客户或已知交易的潜在关系。为此，MongoDB 聚合管道功能（如创建“动态”网络图表）可以揭示不易察觉的行为。
最后，数据和分析必须汇聚在单一视图中。在这方面，MongoDB 数据模型的灵活性具有颠覆性意义。它能够在单个实例中大规模存储结构化和非结构化数据。它还可以将数据与画像的向量化表示相结合，以准确运行相似性搜索。
在本系列的下一篇文章中，我们将深入探讨 AI 如何增强尽职调查流程，作为利用客户行为画像进行全面尽职调查的一部分。敬请期待！
未来
阅读我们关于使用 MongoDB 构建金融犯罪防控平台的系列概述。
查看这个分步指导教程，了解如何使用 MongoDB Atlas 构建金融犯罪防控平台。