金融犯罪调查人员与团队负责人在屏幕前查看交易关系网络
  1. 首页
  2. 应用场景
  3. 银行与金融服务
银行 · 反欺诈与合规已交付 · 客户成果

一家大型欧洲银行

银行AI反欺诈与合规分析:查询从3天缩短到实时

欺诈识别与分析从耗时3天的查询流程,升级为覆盖每日数百万笔交易的实时洞察。

3天 → <1秒

复杂关系查询耗时

85%

欺诈识别能力提升(据银行反馈)

70%

生产力提升

执行摘要:反欺诈与合规分析

客户
一家大型欧洲银行
行业
银行与金融服务
规模
每日数百万笔交易
范围
欺诈识别、合规报告、文档分析

背景、决策与成果

  • 背景。复杂的数据库查询需要3个工作日,实时欺诈识别无从谈起。各部门数据彼此割裂,无法形成360°客户视图,员工每天花数小时重复检索数据。
  • 决策。围绕关系重构架构:用高性能图数据层打通各部门,引入机器学习异常检测,并为每日数百万笔交易搭建实时处理管道。调查人员可以看到每条预警背后的完整上下文。
  • 成果。过去需要3天的复杂关系查询,如今不到1秒即可得到回答。欺诈识别能力提升85%(据银行反馈),合规报告提速80%,生产力提升70%,客户满意度提升42%。
  • 见效周期。我们为银行员工提供了培训课程和技术文档,内容围绕调查人员日常提出的问题设计。
挑战

反欺诈与合规团队面临的挑战

在银行业,有价值的答案取决于关系:账户、交易、文档、客户与事件之间的关系。这家银行的这些关系分散在各部门系统中,复杂查询需要3个工作日。

延迟影响了调查、报告以及所有需要全局视图的决策。等数据核对完毕,决策窗口往往已经关闭,而决策迟缓又加大了欺诈风险敞口。

实施过程

实施历程:从3天查询到实时调查

瓶颈原来在于数据关系,而不在于人员或硬件。

  1. 步骤01 · 分析

    我们如何诊断瓶颈

    我们梳理了从交易处理、欺诈识别到合规报告的完整链路,并追踪了部门之间的数据流。

    我们查找数据孤岛、重复检索工作以及团队需要统一查看的关系,从而把首轮改造聚焦在互联数据最能释放产能的问题上。

    交付 需求诊断由我们的团队完成。

  2. 步骤02 · 设计与转型

    我们如何围绕调查工作构建数据模型

    我们设计了针对复杂关系查询优化的高性能图数据库架构,并将关系数据整理为便于调查的结构。

    我们训练了用于交易数据模式识别和异常检测的机器学习模型,并为每日数百万笔交易搭建了实时处理管道。

    统一的数据层以共享视图连接各部门,业务上下文和访问控制从设计之初就已内置。

    提供该能力的NatusAI产品

    抽象示意图:带时间版本的图谱,每条关系都保留历史
    每笔交易和每条关系都连同历史一并保存,因此可以沿时间追踪某种模式。

上线与推广

抽象示意图:预警、交易及其历史互相关联的业务全景
互联数据让欺诈风险成为董事会可以基于证据讨论的议题。
  1. 步骤03 · 构建

    我们构建了什么

    实时反欺诈引擎:实时交易监控、即时预警和自动风险评分。调查人员可以看到交易活动、风险模式及其背景。

    文档分析平台:提供自然语言查询界面,可在数秒内处理数百万份文档,分析人员可在经审批的文档集中直接提问。

    360度客户数据整合:支持跨部门访问与协作工具。

    提供该能力的NatusAI产品

  2. 步骤04 · 落地

    团队如何上手使用

    面向银行员工的培训课程和技术文档,围绕调查人员和分析人员日常提出的问题设计,并提供审核结果所需的上下文,而不是让他们被动接受“黑箱”答案。

    提供该能力的NatusAI产品

由NatusAI团队交付。产品标签标明每项能力由哪款NatusAI产品提供或计划提供;发布状态请见“技术团队参考”。

金融犯罪调查人员一起查看交易表格和关系图(示意图)
示意图。
人的因素

风控、反欺诈与合规团队发生了哪些变化

从提出问题到做出决策,等待更少,留给专业判断的时间更多。

  • 反欺诈调查人员。预警实时送达,并附带背后的关系图谱与历史,因此可以跨越多层关系追踪模式并加以解释。

  • 合规团队。报告速度提升80%,因为数据已经互联,还可以用日常语言跨文档提问。

  • 一线客户服务人员。拥有跨部门的360度客户视图。客户满意度提升42%。

真正重要的可量化成果

成效:实时反欺诈与合规分析

3天 → <1秒

复杂关系查询:从3个工作日缩短到不到1秒

85%

欺诈识别能力提升(据银行反馈)

70%

生产力提升

80%

合规报告提速

42%

客户满意度提升

98%

文档分析准确率(据银行反馈),覆盖每月数百万份文档

数据由客户在项目结项时提供。

金融数据与调查

同一数据基础的下一步应用

在大多数银行,总账、反欺诈引擎、风险模型和审计追踪分散在不同系统中,靠夜间批处理拼接在一起。互联且具备时间维度的数据基础,让您基于实时数据做决策、识别风险、预测趋势。

参考场景

即时信贷审批

问题
发放贷款或授信额度,需要调取申请人的历史记录和债务关系网络,通常要在多个系统间缓慢关联查询。
方法
完整的交易历史和交易对手网络集中在一处,评分模型据此评估,片刻之间给出批准或拒绝。
结果
在销售终端或App中实时做出信贷决策,并保留决策所依据的确切数据。
参考场景

反欺诈与反洗钱(AML)识别

问题
欺诈和洗钱会随时间呈现出特定模式,例如团伙、“钱骡”链条和突发交易激增,逐笔检查往往难以发现。
方法
跨越多层关系追踪资金流向,发现循环流转和交易速度异常,在交易发生时即对异常进行评分。
结果
可疑模式实时标记,完整的关系网络和历史随时可查,便于调查和解释。
参考场景

余额与流动性

问题
资金部门同样需要掌握明天的余额,但预测数据却存放在与实时总账脱节的电子表格中。
方法
预测每个账户的余额,逐级汇总到分行和全行流动性,再基于同一数据进行情景压力测试。
结果
前瞻性的流动性视图可直接用于规划,持续刷新,而不是每月更新一次。

“6月30日这笔风险敞口是什么情况?”每笔交易和每条关系都连同历史一并保存,审计、合规和回测与实时决策使用的是同一份数据。

银行、保险与支付领域的参考场景,仅作示意,并非NatusAI客户成果。根据欧盟《人工智能法》附件三,信贷审批和信用评分可能属于高风险用途,详见下文治理部分。

可复制性

对银行、保险公司和支付机构意味着什么

仍在等待批量对账的银行、保险公司和支付机构,同样可以采用这一方法,从一条调查路径入手:一个欺诈团伙、一种理赔模式或一份合规报告。

从等待最久的问题入手

一条调查路径,一组可视化的关系,前后效果可衡量。

可解释性来自上下文

当调查人员能看到预警背后的关系网络和历史时,就能向监管机构为决策提供有力依据。

数据留在监管要求的位置

图谱、历史和分析可以作为一个系统,运行在银行自己的基础设施上。

监管

面向DORA、反洗钱、Solvency II和欧盟《人工智能法》治理而设计

金融机构必须能够解释、复现并随时退出。该架构确保重大决策始终有明确的责任人,保留还原决策所需的历史,并可运行在银行自己的安全边界内。

  • DORA(自2025年1月17日起适用):本地部署或欧盟境内部署、书面退出方案、为您的ICT第三方服务登记册提供所需信息、恢复证据(可验证恢复,NatusAI Gemini,路线图)
  • 反洗钱/金融犯罪监管:预警与其背后的交易、交易对手和历史相关联,调查过程可解释
  • 欧盟《人工智能法》:对自然人的信用评估属于附件三所列高风险用途,独立高风险义务预计自2027年12月2日起适用(以最终通过文本为准)。人工监督、日志记录和数据治理文档可支持部署者义务
  • Solvency II/EIOPA(保险公司):同样的管控措施(人工监督、日志记录、书面数据流和退出方案)可为保险公司提供治理体系审查和外包审查所需的文档。DORA对保险公司和银行同样适用
  • GDPR:数据在银行自己的环境中处理,数据流有据可查
  • 模型风险:提供支持内部验证的文档(例如适用于美国/加拿大实体的SR 11-7/OSFI E-22)

NatusAI支持您履行相关义务,但不能替代您的法律评估或监管审批。了解NatusAI如何支持欧盟《人工智能法》、GDPR、DORA与NIS2治理

互联知识图谱:每个回答都可追溯到相应的事实与关系
技术团队参考
  • 已交付架构:面向关系查询的高性能图数据库、基于交易数据的机器学习异常检测、实时处理管道(每日数百万笔交易)、跨部门统一数据层,以及带自然语言查询界面的多智能体文档分析系统。
  • 参考引擎模式:交易到达即被索引,作为账户、客户和交易对手节点之间带版本的边。图谱、时序与机器学习集于一个引擎。可查询任一时间点的状态。以单个程序私有化部署。
  • 平台对应关系:NatusAI Cygnus(规划中 · V1)、NatusAI Auriga(路线图)、NatusAI Aquila(路线图)、NatusAI Orion(路线图)、NatusAI Lyra(现已可用)。
常见问题

首席风险官与金融犯罪负责人常问的问题

速度、可解释性、部署方式及更广泛的影响。

复杂关系查询能快到什么程度?

在这家银行,过去需要3个工作日的复杂查询,如今不到1秒即可得到回答,同时系统每天处理数百万笔交易。

调查人员能解释AI生成的预警吗?

能。每条预警都附带背后的交易、交易对手和历史,调查人员审核的是完整上下文,而不是被动接受“黑箱”评分。

可以本地部署吗?

可以。该架构可以作为一个私有化部署的系统,运行在银行自己的基础设施上。

同样的方法适用于保险公司吗?

适用。本案例在银行交付,但只要反欺诈、理赔或合规问题的答案取决于关系和历史,这一模式就同样适用。同样的管控措施可支持保险公司按照Solvency II和DORA准备治理文档;NatusAI不提供合规认证。

除了欺诈识别,还有哪些方面得到改善?

得益于跨部门的360度客户视图,合规报告提速80%,生产力提升70%,客户满意度提升42%。

客户成果
探讨类似项目

如今哪个需要关联数据的问题耗时太久?

从一条调查路径入手,让其中的关系清晰可见。在30分钟内,我们将为您概述如何衡量变化,以及如何与您的DORA和模型风险框架相衔接。

  • 从范围明确的需求诊断阶段开始,以清晰的“推进 / 不推进”决策收尾。
  • 首次简报会后,可在签署保密协议(NDA)的前提下安排与该案例相关的参考交流。

或发送邮件至contact@natusai.com

一个小型管理团队在会议室审阅一页纸的成果摘要(示意图)