可疑交易人工甄别，在反洗钱业务管理当中，属于重要并且关键的处理环节。机器学习、知识图谱等技术手段，在识别多主体（节点）、复杂交易网络而带来的运算量和运算模式，具备人类大脑所不擅长的优势。但是从单一机构来看，由于客户体量和客户类型的限制，并非所有的客户账户交易，都需要加载这样的“运算量”或者“运算模式”。
实践当中，业务人员第一时间需要解决的，通常是迅速锁定可疑交易特征，并排除或上报预警案例。技术手段的应用，从实际业务场景来看，不论是处于人工干预的“前道”工序，还是分析甄别以后的“后道”工序，人工仍然具有技术手段无法替代的优势，譬如在分析、比较、概括、推理和判别等一系列需要经过思维处理的方法上，机器往往无法破解“最后一公里”难题。
可疑交易，是锁定具有洗钱或者欺诈风险的客户行为特征的重要基础。但怎么定义交易的“可疑”，第一步并且最重要的一步，是怎么去看清或者看懂客户的交易。
本文从可疑交易人工分析与甄别的角度出发，通过对交易当中单个字段的逐项分析，希望能给到一线业务人员一定的启发和帮助。在面对形形色色不同类型的客户、不同业务场景下错综复杂的交易往来时，能够快速找到突破点，合理推测并定位交易及客户行为存在“可疑”特征，是提升人工分析与甄别效率的关键所在。
要素分析
以最基础的汇兑（转账）交易为例，不论人民币或是外币，包含交易日期、交易时间、交易渠道、交易柜员、交易类型（现金、电汇等）、借贷标识、交易金额、交易对手名称、交易对手账号、对手开户银行、交易用途、附言（或备注）等十二项基本要素。以下从金额、对手、用途和时间四个主要的交易字段出发，具体展开分析。
1. 交易金额
以金额“拆分”为例，是较为常见的交易方式之一，但“拆分”是否一定就属于可疑？
不一定。实际遇到的客户情况是，有些拆分是有意而为之，例如一笔200万的资金，拆分成多笔49999、49000、49990的单笔交易，这一类相对具有一些典型的“规避”痕迹，单笔交易金额明显低于预警阈值50000。
但不是所有的“拆分”都可疑，例如有些客户拆分成42000、44333、45000等多笔。这些金额并不具有典型的“规避”特征，需要结合具体的单笔交易用途（如能锁定）、或者客户整体的业务背景来综合衡量，否则，不能轻易定性为其账户交易行为存在典型的“拆分”嫌疑。
此外，由于一些客户账户的资金流呈现“循环”的状态，例如A转给B一笔5000万，但B又转回给A其中的2000万。因此针对交易金额的分析，一些机构会应用“借贷轧差法”来衡量单个账户对手方的净资金流入和流出。运用该方法可以有效定位资金的方向究竟是“进”、还是“出”，并在此基础上，判断主要的一些交易对手方，以上述的A和B为例，实际是A净流出资金3000万至B账户。
2. 交易对手
交易对手数量的多少，往往在判断是否属于可疑交易上，有着重要的指向性作用。譬如个别客户的交易对手数量，呈现异常大或者异常小的特征，在较短的周期内可以动辄积累至上千的交易对手，这种从常理推断异常的方法，在实操中往往能起到立竿见影的效果。
一名个人、一家企业，其账户的交易对手数量、在一定时间周期内（例如一年），必然是相对有限的数量区间。
从个人角度出发，由于其自身工作、生活、经营活动等，连带而产生的办公（如报销）、消费（如购物）、采购等场景下的收支活动，其“交易对手”数量是这些场景下特定的对象。因此“场景”的多少，也相对限定了“交易对手”的上限数量。
企业也是一样，不论其从事进出口贸易、商品销售、投资咨询、信息服务、文化传媒等何种行业，账户资金交易后对应的是企业的各项商业活动。从单个企业而言，哪怕一家企业背后存在着异常复杂的股权关系网络，但由于单个企业在整个体系或者网络中的“功能定位”或“发展方向”不同，也由此限定了其账户“交易对手”的上限数量。
在过往处理的疑似非法集资、疑似虚拟货币交易的案例当中，其账户交易对手的时点数量以及增长速度远超一般的结算账户。
在单一针对“交易对手”的数量分析上，可以尝试建立“对手容量”的概念。
何为“对手容量”？对手容量，是指相同类型客户、交易对手数量的一个标准区间段。
以个人客户为例，可以把按地区、年龄、职业、理财客户和存贷款类型等维度，将存量客户大致做分类。分类完成后，再进一步统计相同类型客户的交易对手数量。
例如具有明确职业、年龄区间在30~40岁的纯结算客户，这类客户群体的对手数量可能位于【50,100】区间范围以内。
以上示例只是做类比，实际也可以根据客户风险等级，做一些较为粗放的数据统计。例如低风险的个人客户，对手数量可能落在【30，50】区间内，假如其中有个别客户的对手数量超上限较多，则需要重点关注。
此外，为了避免“时间”因素对最终统计结果的影响，可以尝试取同类客户从开户至当前时间的所有交易当中、总的交易对手数量。因为一些客户可能在某个特定节点或业务场景下，对手数量呈短时放大的特征，但随后对手数量又出现回落。延长数据统计的时间周期，规避单个时点的影响，从一个相对更长的时间视角来衡量总体的客户交易行为，更符合“合理”怀疑的假设前提。
因此，“对手容量”，实质是按照相同维度划分的同类型客户，大致的“交易对手”的一个标准区间范围。设定标准，是为了今后观测“标准”以外的“异常”。
企业客户与个人客户类似，可以尝试从下表中的维度，先进行存量企业客户类型的划分。在相同类型下，建立同类企业的“交易对手”数量的标准区间。
资金往来情况如下：
—— 客户A与客户B的账户发生交易往来，B作为A的交易对手。
—— 客户B与客户C的账户发生交易往来，C作为B的交易对手。
—— A和C在同一机构开户，但B不属于该机构的客户。
这种业务场景下，认为A、B和C三人之间存在“关联”。A和C之间虽然没有直接的交易往来，但由于B的存在，有了“间接关联”的关系。通过交易对手的“关联”分析，可以解决以下两点问题：
（1）资金流向“中断”的问题。由于客户B的账户开立在行外，分析人员对于资金流向的追踪，往往在这个节点会因此而中断。通过进一步查找并定位与B可能发生交易往来的“潜在”客户C，在一些特定业务场景下，资金流可能重新得以闭环，例如信贷资金的流向追踪。
（2） 潜在“灰名单”客户的排查。在机构接收到一些外部涉案类或可疑名单时，虽然从单一机构来看，有时并无直接涉案账户，但与涉案账户发生交易往来的潜在行内客户，通过上述的“关联”式排查方法，一样可以查找并定位。
3. 交易用途
交易用途，是交易分析甄别环节需要重点关注的要素，没有之一。“用途”，和客户资金的使用场景密不可分，关注账户的交易用途，实质是为了“复盘”或者“还原”客户的资金使用场景。
关于交易用途的分析，从以下两方面展开：
第一，用途不属于“必填”项目如何处理
很多人会疑惑，现在还会有客户填写用途么？或者有多少客户在进行交易结算时，会备注实际的交易用途。如果在客户进行交易时，“用途”本身属于非必输项目的话，客户选择填入用途的可能性有多大？
答案是有，并且一些存在异常交易行为的，往往其“备注”、“附言”或“用途”栏位信息能够一次性帮助你定位，例如备注“HUO币”、“火bi”、“通道费”等等。关注并看懂账户的交易用途或者备注信息，能够快速识别一些资金流转背后的实际用途。
反洗钱系统中也会抓取一定的关键字进行特征的锁定，但由于关键字更新频率不高，并且维度太过单一，并不能有效识别一些新的异常交易类型或导致误报。
第二，用途无法从系统信息中有效获取
这里的交易用途无法获取，包含两种情况：
（一）客户自身并不填写交易用途，即用途为空，或者用途都是千篇一律的“往来款”，但具体是什么性质的“往来”，从人工交易甄别和分析的角度，未知；
（二）由于系统之间数据表在转换或者接口定义方面的差异，导致下游系统并不能有效获取“用途”这个字段的值。
众所周知，反洗钱系统往往是行内各个业务系统的下游，下游系统的数据结果严重依赖于上游系统的供数。但上游业务系统在供数给下游系统时，自身也存在一定的技术处理，例如表与表之间的映射，往往在建立这些映射关系的过程中，接口字段的原始值可能会丢失。
由于一些原始表的字段释义，在后续的转换以及处理过程中的信息不对称等多种原因，例如上游系统可能认为下游系统实际应用不到这个字段，而导致在最终的下游系统、数据结果呈现方面可能存在一定的偏差。
例如交易用途，可能在原始表中的某个字段值存在，但经过中间的处理、转换以后，在结果表中显示的“交易用途”被其他字段替代，而导致结果为空或错误，业务人员前端页面查询的字段结果中，并不能直接获取到正确的“用途”信息。较为常见的一种情况是，“交易用途”往往会出现在一些数据表中的“备注”或者“附言”字段。
综上，不论上述哪种情形导致的“用途”无从识别或判断，建议先从机构内部查找并确认是属于数据的中间处理转换导致、还是客户方面主观导致。明确问题出现的源头，才可能找到解决问题的方法。
4. 交易时间
交易时间，特别是一些非工作日，抑或凌晨、夜间等异常时间点，是反洗钱系统通用的模型特征维度之一。但交易时间需要“横向”看，同样需要“纵向”看。
横向，比较好理解，类似于上述的异常交易时间点的特征提取。
纵向，是指按照单个客户的维度，衡量这个客户是属于“偶发”、还是“习惯性”地在异常时段发生交易。举例来说，双十一的晚间十二点，在这个时点交易的客户，可能就属于一种“偶发”现象，但一名习惯性在夜间10点至凌晨两点交易、正常白天交易量很少的客户，可能就不属于“偶发”现象。
因此，对交易时间的分析，建议从单一客户出发，横向看交易时间是否会落在“异常”时间段，纵向看异常时段交易的“频次高低”和“交易量对比”，将横向和纵向两方面相互结合来看，才是合理怀疑的前提条件。
小结
从客户账户的“交易”往来当中，发现并识别其背后“行为”的可疑特征，是人工甄别与分析的最终目标所在。所以，看清或者看懂客户的账户交易，是人工甄别与分析的立足点，在此基础之上，通过进一步的尽职调查和强化身份识别，对客户的行为进行合理推测和判断。
合理怀疑，亦可通过一些可量化、可评估的数据指标来界定“标准”或者“正常”的范围，从而进一步提升“合理”怀疑的准确性。人工交易甄别分析，总体是一个需要时间和经验不断积累的过程，细微处着手，慢慢形成适合自己的一套行之有效的工作方法，从而达到最终从量变到质变的效果。