近來美國司法部大舉重罰法國巴黎銀行，加上此前對 摩根大通(Morgan Chase)和巴克萊(Barclays)數十億美元的罰款(僅舉幾例)，很明顯，銀行已被盯上了。監管部門和其他執法機構不僅加大力度發現和起訴全球范圍內金融服務行業所存在的欺詐、腐敗和其他犯罪為，與此同時，他們也致力于提高全線技術取證能力。

當然，罪犯也迅速進行著技術和戰術創新。以洗錢為例，自過十年經濟衰退以來，正在變得越來越復雜。籠統來看，罪犯洗錢似乎總是有優勢的，因為他們利用了全球金融基礎設施的復雜性來掩蓋他們洗錢活動。

無論是罪犯還是監管機構，這兩種日益復雜技術趨勢，都會使銀行陷入困境。他們不能再簡單地使用標準化技術和控制手段來取悅監管機構，或者簡單地認為這不過是做生意的成本，就像粉筆必然會帶來“吱”一樣。

洗錢

“至今針對銀行的龐大罰款征收還僅是冰山一角”，Anomaly42戰略與創新部主任Freddie McMahon說，這是一家提供下一代數據即服務的廠家。“今天技術讓洗錢生態系統更容易進行，這在以前是不能想象的。如果立法者和監管者處理了一家銀行，這意味著其他卷入該生態系統的銀行也會被牽涉其中，即使他們并不知情，更多主要銀行會收到可觀罰款，這只是一個時間問題。”

銀行發現，他們必須積極主動開站反洗錢(AM)和其他預防犯罪的工作，使他們能夠領先罪犯以及監管機構一步，推動內部創新 。對于這樣的銀行，數字化轉型不僅是一件好事，而且絕對屬于關鍵任務。

數據分析無止境

在過去幾年中，許多銀行都致力于技術領先于洗錢和其他國際犯罪組織。根據Steve Culp在Forbes.com一篇文章：“埃森哲研究表明，剛剛超過一半的金融服務機構有客戶服務的單一視圖，并且其中只有大約一半有遵守反洗錢(AML)指令的單一系統，”盡管Culp文章呼吁加強數據質量、深入洞察分析和改進數據可視化，但銀行越來越重視綜合能力，但他們已經追不上了。

因為犯罪分子知道如何使用銀行數據進行應對，因此銀行必須領先罪犯幾步去識別可疑數據。在過去五年中，許多銀行已在數據管理取得了巨大進步， 但是這并不意味著時間會慢下來。事實上，金融服務機構數據管理較之以往更需要一個更復雜的方法，應對數據質量測量和控制，因為數據質量現在必須被集成到操作風險框架內。根據畢馬威的報告：“一個組織可以通過監控用戶分享的位置移動數據，將有助于其識別任何不尋常的交易和行為。”

大數據分析對于獲得事物全景非常重要，這是傳統統計分析方法所不及的。統計分析依靠大數據集的隨機抽樣，而今天的大數據則是對全數據集的分析。但是，即使在分析全部可用數據也是不夠的，因為有可能丟失或不正確信息存在，而這對于識別類似反洗錢行為非常重要。是的，“盡管許多金融機構繼續投錢在這些系統，并努力更新和驗證他們，更多審查應該被提供，且應該是持續和長期的，而應該僅是應對一套最低的監管要求”畢馬威補充到。

企業級數據質量挑戰

當然，這不僅是反洗錢系統沒有做好。不良行為者可能來自內部和外部，不論是簡單錯誤或者故意欺詐，監管機構的審查自金融危機以來更嚴格。確保所有的內部數據對上級組織在線，他們可以分析數據以及生成數據的質量信息，以及傳統的分析方法，即使大數據分析，也還是給罪犯滲透留下了縫隙。

其結果是一些銀行正在從過去的分析技術進入基于概率、歸納、啟發式邏輯的新領域。根據CEB TowerGroup的報告：“應對洗錢行為檢測的新辦法是復制專家分析師動態思維過程。” “有研究表明，在信息有限時，人作出合乎邏輯的選擇，會遵循啟發式或經驗為基礎的決策方法。在這種方法中，人腦吸收了過去各種經驗加以利用，梳理相互關聯的上下文數據，位決策提供強力的參考。”

據CEB TowerGroup報告：為了計算這種推論，銀行使用貝葉斯信念網絡(Bayesian Belief Networks，BBN)，“在反洗錢管理中，BBN模型確定一組事務是否應該被標記為高風險，不僅是匹配一個已知的情況，還要考慮上下文信息，如客戶人口統計資料、風險狀況和帳戶類型。”因此，貝葉斯模型可以識別洗錢交易為可疑，也可以更加廣泛應用。

如果用大數據分析和貝葉斯數學打擊金融犯罪，看上去是一項艱巨的任務，那么整個銀行業已經開始應對大數據挑戰。是的，許多銀行在大數據管理方面已經取得了很大進步，但還有更多工作需要做。事實上，幾乎沒有任何華爾街公司都緊跟數據管理這個層面，因為它需要復雜的數學的水平和一個新的工具集。廠商現在為世界上最大銀行機構努力拼湊其所需要的能力，全面應對挑戰。