JP6453411B1 - 取引モニタリングシステム、方法及びプログラム - Google Patents

Abstract

【課題】疑わしい取引か否か判断しづらい複雑な場合であっても、判断の難易度を自動的に判定することにより正確にかつ効率的に判断を行うための支援を行う取引モニタリングシステム、方法及びプログラムを提供することを目的とする。
【解決手段】取得手段１３と、算定手段１４と、決定手段１５とを備える取引モニタリングシステム１０により、判断の難易度が高い場合は習熟度の高い担当者に判断させるなどして疑わしい取引か否かの判断が複雑であっても正確に判断するための支援をし、時間を効率的に使用することができる。
【選択図】図２

Description

本発明は、口座取引の監視を行う取引モニタリングシステム、方法及びプログラムに関する。

いわゆる「疑わしい取引」が金融機関などで生じた場合、マネーロンダリング対策として当該取引を行政官庁に届け出ることが必要となる。このような「疑わしい取引」は、近年増加傾向にある。

ここで以下の特許文献１において、金融機関において開設された口座を効率的に評価し、「疑わしい取引」の検出に用いるための口座評価システムが開示されている。

特開２０１６−２２４５４９号公報

しかし特許文献１に記載の口座評価システムでは、処理対象口座の評価ルールに基づきリスク度について総スコアを算出し、総スコアの値が基準値以上だと画一的にアラーム処理を実行する。そしてこのアラーム処理が行われた口座を調査担当者が調査する。よって、「取引金額が少額だが、過去の取引から想定される口座の動きとは逸脱した動きをしている」といった疑わしい取引か否か判断しづらい複雑な場合は、実際に疑わしい取引であっても、取引金額が少額であるため疑わしい取引でない、と誤って判断される恐れがある。

さらに、このように疑わしい取引か否か判断しづらい場合は、より正確に判断するために担当者が内容を確認する必要も生じてくる。しかし、判断の対象となる取引の件数は多いにも関わらず、特許文献１に記載の口座評価システムでは判断の難易度を自動的に判定するなどといった確認のための時間を効率的に使う仕組みが開示されていない。

本発明は上記実情に鑑みて提案されたもので、疑わしい取引か否か判断しづらい複雑な場合であっても、疑わしい取引か否かの判断の難易度を自動的に判定することにより正確にかつ効率的に判断を行うための支援を行う取引モニタリングシステム、方法及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る取引モニタリングシステムは、金融機関における取引モニタリングシステムであって、ケース記憶手段を参照して、口座取引データからアラートデータを取得する取得手段と、アラートデータと学習データとに基づいて、アラートデータの信頼度を算定する算定手段と、信頼度に基づき、アラートデータの取引の疑わしさについての難易度を決定する決定手段とを備えることを特徴とする。

本発明に係る方法は、金融機関における取引モニタリングシステムで実行される方法であって、ケース記憶手段を参照して、口座取引データからアラートデータを取得するステップと、アラートデータと学習データとに基づいて、アラートデータの信頼度を算定するステップと、信頼度に基づき、アラートデータの取引の疑わしさについての難易度を決定するステップとを備えることを特徴とする。

本発明はさらに、上記方法をコンピュータに実行させるためのプログラムを提供する。

本発明によれば、疑わしい取引か否か明確に判断できるものについては自動的に届け出の必要がないと判定する一方で、判断しづらい場合は判断の難易度を自動的に判定する。したがって、判断の難易度が高い場合は習熟度の高い担当者に判断させるなどして疑わしい取引か否かの判断が複雑であっても正確に判断するための支援をし、かつ時間を効率的に使用することができる。

本発明の一実施形態に係る取引モニタリングシステムの構成図である。 本発明の一実施形態に係る取引モニタリングシステムの構成を示すブロック図である。 本発明の一実施形態に係る取引モニタリングシステムの制御部の取得手段を説明するためのフローチャートである。 本発明の一実施形態に係る取引モニタリングシステムの制御部の算定手段を説明するためのフローチャートである。 本発明の一実施形態に係る取引モニタリングシステムの制御部の決定手段を説明するためのフローチャートである。 本発明の一実施形態に係る取引データベースを示す図である。 本発明の一実施形態に係る顧客データベースを示す図である。 本発明の一実施形態に係る口座データベースを示す図である。 本発明の一実施形態に係るケースデータベースを示す図である。 本発明の一実施形態に係る機械学習データベースを示す図である。 本発明の一実施形態に係る習熟度データベースを示す図である。 本発明の一実施形態に係るアラートデータベースを示す図である。 本発明の一実施形態に係る口座取引データを示す図である。 本発明の一実施形態に係る取引モニタリングシステムのシステム構成を示す図である。

以下、本発明に係る実施形態を図面とともに説明する。

まず、図１を参照して、本願の一実施形態における取引モニタリングシステム１０について説明する。取引モニタリングシステム１０は、マネーロンダリングの対策を行う銀行などの金融機関に設置されている。ここで取引モニタリングシステム１０は単独で実装されてもよいし、従来から存在する金融機関のシステムにおけるサーバもしくはホストコンピュータに実装されてもよい。

取引モニタリングシステム１０は、ネットワーク３０を介して端末２０ａ〜２０ｃに接続される。ネットワーク３０は、インターネットであっても、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やＷＡＮ（ＷｉｄｅＡｒｅａ Ｎｅｔｗｏｒｋ）であってもよい。

なお、以下において各端末２０ａ〜２０ｃを特に区別して記載する必要がない場合には、端末２０と記載する。また、図１において、説明を簡単にするために端末２０を３台だけ示しているが、これ以上存在しても良いことは言うまでもない。

ここで端末２０は、金融機関で働く者、例えば銀行の行員といったユーザが通常業務のために用いる端末を表す。なお、この端末２０は本店や支店といった社内で用いるだけでなく社外で用いることもできる。

端末２０は、キーボードやタッチパネルなどのヒューマンインターフェースを持つものであり、具体的には、デスクトップ型のパーソナル・コンピュータやノート型のパーソナル・コンピュータ、スマートフォン、タブレット型またはＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）のようなモバイル型の情報処理端末などがあげられる。

次に図２を用いて、本願の一実施形態における取引モニタリングシステム１０の構成について説明する。ここでは図７乃至図１４の図面を参照して説明する。図２に示すように、取引モニタリングシステム１０は、送受信部１１と、制御部１２と、記憶部１６とを備えており、記憶部１６は、取引データベース１７と、顧客データベース１８と、口座データベース１９と、ケースデータベース２１と、機械学習データベース２２と、明細データベース２３と、習熟度データベース２４と、アラートデータベース２５とを備えている。

まず、取引モニタリングシステム１０の記憶部１６について説明する。

取引モニタリングシステム１０の記憶部１６は、端末２０から送信された情報や各種データを記憶する機能を有する。記憶部１６は、例えば、ハードディスクドライブ、ＳＳＤ、フラッシュメモリなど各種の記憶媒体により実現される。

次に記憶部１６に格納されている取引データベース１７と、顧客データベース１８と、口座データベース１９と、ケースデータベース２１と、機械学習データベース２２と、明細データベース２３と、習熟度データベース２４と、アラートデータベース２５とについて説明する。

取引データベース１７は、口座取引の履歴が格納されたデータベースである。図６に示すように、「種目」、「振込依頼人コード」、口座取引が行われた「日付」、入金や出金を示す「入払区分」、「金額」、および口座取引の内容を表す「摘要」が口座名義人ごとに割り振られた「支店コード」及び「口座番号」に対応付けられて格納されている。

顧客データベース１８は、顧客の登録情報が格納されたデータベースである。図７に示すように、口座の「種目」、顧客である口座名義人の「住所」、「氏名」、及び「電話番号」などが口座名義人ごとに割り振られた「支店コード」及び「口座番号」に対応付けられて格納されている。

口座データベース１９は、口座情報が格納されたデータベースである。図８に示すように、「支店名」、口座の「種目」、「名義人」の名称などが口座名義人ごとに割り振られた「支店コード」及び「口座番号」に対応付けられて格納されている。

ケースデータベース２１は、「疑わしい取引」と判断される事例が格納されたデータベースである。当該事例の内容を記載した「ケース名」、疑わしい取引としての「抽出基準」、「更新日」が、「ケース名」ごとに付された「番号」に対応付けられてケースデータベース２１に格納されている。

例えば、図９に示すように、「ケース名」には「疑わしい取引」の１つとされ得る「多額の入出金」が記載されている。したがって、その「抽出基準」である「１回の入出金額が基準以上」に該当する口座取引は「疑わしい取引」の可能性があるといえる。

機械学習データベース２２には、過去のアラートデータを含むデータのうち「疑わしい取引」としての届け出のあった取引、なかった取引の傾向について機械学習アルゴリズムにより機械学習が行われ、「疑わしい取引」と判断され得る取引の金額の範囲とそのスコアとが算定されて学習データとして格納されている。ここで、アラートデータとは図１３の口座取引データのうち「疑わしい取引」の可能性があると取引モニタリングシステム１０において判断されたものをいう。なお、ここで口座取引データとアラートデータのファイルフォーマットは同じである。

ここで機械学習データベース２２では、スコアの値が低くなるにつれて、「疑わしい取引」である可能性が高くなる。例えば、図１０においては「月末口座残高」が「１０００円以下」の場合はスコアが−５０と低く、スコアが２０の「１０００円超から３００００円以下」よりも「疑わしい取引」である可能性が高くなることが示されている。

明細データベース２３には、取引モニタリングシステム１０において「疑わしい取引」である可能性が低いため届出不要と自動的に判定されたアラートデータを含むデータが出力されるデータベースである。なお、「アラートデータを含むデータ」については後述する。

習熟度データベース２４は、「疑わしい取引」に該当するか否かの判断についての担当者の習熟度を格納したデータベースである。図１１では、「担当者名」と、疑わしい取引かについて担当者の判断できる難易度の範囲を示す「対応可能範囲」とが、担当者ごとに割り振られた「担当者ＩＤ」に対応づけられて習熟度データベース２４に格納されている。

アラートデータベース２５は、「疑わしい取引」に該当する可能性が高いアラートデータを含むデータが格納されている。ここで「アラートデータを含むデータ」とは、図１２で示すように、アラートデータに「番号」と、ケースデータベース２１の「ケース名」と、疑わしい取引である可能性の度合いを示す「信頼度」と、ケースデータベース２１の「番号」を示す「検知ケース」を付加したデータを指す。

ここで、取引モニタリングシステム１０の制御部１２の詳細な構成について説明する。

制御部１２は、取得手段１３と、算定手段１４と、決定手段１５とから構成される。

次に制御部１２を構成する各手段１３乃至１５の処理について説明する。なお、制御部１２を構成する各手段１３乃至１５の処理は全てプロセッサにより実施される。

図３は制御部１２の取得手段１３の処理を記載したものであり、ここでは図６乃至図８、及び図１３を参照しながら以下に説明する。

取得手段１３は、支店コードと口座番号とをキーにして、取引データベース１７、顧客データベース１８、及び口座データベース１９からそれぞれデータを読み込む（ステップＳ１０１）。

次に、取得手段１３は、ステップＳ１０１で読み込んだデータを元に図１３に示す口座取引データを作成する（ステップＳ１０２）。この口座取引データは、口座名義人の口座取引の履歴や内容を示したものである。

この口座取引データは、「支店名」、口座の「種目」、口座名義人の「名義人」名、「住所」、「振込依頼人コード」、口座取引を行った「日付」、「入払区分」、「金額」、「摘要」の項目などが、口座名義人ごとに割り振られた「支店コード」及び「口座番号」に対応付けられている。

取得手段１３は、ステップＳ１０２で作成した口座取引データについて、図９のケースデータベース２１を参照する（ステップＳ１０３）。そして、取得手段１３は、ケースデータベース２１の「抽出基準」に該当した口座取引データを「疑わしい取引」である可能性が高い「アラートデータ」として取得する。

また、取得手段１３は突合時にケースデータベース２１から「番号」、「ケース名」を取得する。そして、取得された「番号」および「ケース名」は、以下で述べる決定手段１５で「アラートデータを含むデータ」を作成するために用いられる。

ここで図９のケースデータベース２１の番号「１」のレコードにおいて、ケース名が「多額の入出金」であり、抽出基準が「１回の入出金額が基準以上」である。例えば、「１回の入出金額が１００万円以上」を疑わしい取引と判断する基準と定めている場合は、口座取引データの金額が「１００万円」となっている口座取引データがアラートデータとして抽出される。

図４は、制御部１２の算定手段１４の処理を記載したものである。ここでは、図１０を参照しながら以下に説明する。

算定手段１４は、取得手段１３のステップＳ１０３で取得されたアラートデータと、図１０の機械学習データベース２２に格納されている学習データとを突合する（ステップＳ２０１）。ここでは、アラートデータの「日付」、「入払区分」、「摘要」、及び「金額」などの口座取引内容と、学習データの「ＡＴＭ現金出金額」などの取引内容、及び金額の「範囲」などとが突合される。

次に、算定手段１４はステップＳ２０１で突合された学習データの該当する「スコア」の値に基づき、全てのアラートデータのスコアを算定する。そして、算定手段１４は、算定されたスコアの値に基づいて、全てのアラートデータの信頼度を算定する（ステップＳ２０２）。各アラートデータの信頼度の算定方法は、まず、１件のアラートデータについて算定された全てのスコアの値に対して、例えば金額など内容に応じた重み付けを各スコアに行う。そして、重み付けを行った各スコアを用いて、各アラートデータの信頼度が計算式に基づいて算定される。なお、信頼度の算定方法は既存のアプリケーションを用いても良く、特に限定されない。ここで信頼度とは、口座取引データの口座取引内容が「疑わしい取引」に該当する割合を表す。したがって、信頼度の値が高ければ高いほど、その口座取引データの内容は「疑わしい取引」に該当する可能性が高くなる。

例えば、信頼度が「９０％」と判断された口座取引データは「疑わしい取引」に該当する可能性が高い。一方、信頼度が「１０％」と判断された口座取引データは「疑わしい取引」に該当しない可能性が高い。

図５は、制御部１２の決定手段１５の処理を記載したものである。ここでは、図１０及び図１１を参照しながら以下に説明する。

決定手段１５は、ステップＳ２０２で算定されたアラートデータの信頼度が基準値以下かを判断する（ステップＳ３０１）。

ここで、「アラートデータの信頼度が基準値以下」とは、例えば「アラートデータの信頼度が３％以下」など「疑わしい取引に該当しない可能性が非常に高い」と判断できる場合を表す。ここで、基準値の値は自由に設定できる。

ステップＳ３０１において、決定手段１５が、アラートデータの信頼度は基準値以下であると判定した場合、「疑わしい取引に該当しない可能性が非常に高いため行政官庁に届け出不要」とする。そして、当該アラートデータに「番号」と、ステップＳ１０３でケースデータベース２１から取得した「ケース名」と、ステップＳ２０２で算定された「信頼度」と、ステップＳ１０３でケースデータベース２１から取得した「番号」を「検知ケース」として付加した「アラートデータを含むデータ」を明細データベース２３に自動的に出力する（ステップＳ３０２）。この場合は、アラートデータを含むデータに対して難易度は決定しない。なお、難易度については後述する。

ステップＳ３０２で出力されたアラートデータを含むデータは、決定手段１５において、「行政官庁への届け出を行わない事例」として、金額や「ケース名」、「日付」、「入払区分」といった口座取引の内容、信頼度などが機械学習アルゴリズムに基づいて機械学習される。

そして、機械学習されたアラートデータを含むデータにより、学習データが新たに作成または更新される。すなわち、学習データを含む機械学習データベース２２の内容が機械学習されたアラートデータを含むデータによって更新されることになる（ステップＳ３０３）。

例えば、図１０の機械学習データベース２２において、「ＡＴＭ現金出金額」の範囲が「１０，０００円以下」の場合はスコア「３０」となっている。しかし、アラートデータを含むデータの「ＡＴＭ現金出金額」が「２０，０００円」の場合でも信頼度が低く、届け出が不要であると機械学習によって判断された場合は、「２０，０００円以下」の場合はスコア「３０」とするなど学習データの内容を更新することができる。

なお、機械学習データベース２２の学習データの「範囲」と「スコア」の項目は、アラートデータを含むデータの口座取引の内容や信頼度などに基づき自由に変更することができる。

一方、ステップＳ３０１において「アラートデータの信頼度が○○％より高い、すなわち基準値より高い」と決定手段１５が判断した場合は、アラートデータの取引の疑わしさについての難易度、すなわちアラートデータが「疑わしい取引」に該当するか否かについての担当者による判断の難しさの度合いを決定手段１５が決定する（ステップＳ３０４）。

ここで、信頼度が９０％など比較的高い場合や、１０％や２０％など比較的低い場合は「難易度が低い」と決定することができる。また、信頼度が５０％や６０％など中程度の場合は「難易度が高い」と決定することができる。

つまり、Ｓ２０２で算定されたアラートデータの信頼度が９０％など比較的高く算定される場合は口座取引の金額が高くスコアの値が低いためなど、理由が明確であることから「疑わしい取引」である可能性が高いと比較的容易に判断できる。そして信頼度の値が１０％や２０％など比較的低い場合は、口座取引の金額が低く、入出金の頻度も低いためスコアの値が高いなど、理由が明確であることから「疑わしい取引」でない可能性が高いと比較的容易に判断できる。このような場合は、決定手段１５により判断の難易度は低い、と決定される。

一方、信頼度の値が５０％や６０％など中程度の場合は、金額は低いが頻繁に口座から引き出されているなど「疑わしい取引」か否かの判断が難しいことを示す。このような場合は、決定手段１５により判断の難易度は高い、と決定される

さらに決定手段１５は、ステップＳ３０４で難易度を決定したアラートデータに「番号」と、「ケース名」と、ステップＳ２０２で算定された「信頼度」と、「検知ケース」とを付加し、「アラートデータを含むデータ」として図１２のアラートデータベース２５に出力する。

決定手段１５は、図１１の習熟度データベース２４の「対応可能範囲」を参照する。そして、ステップＳ３０４で決定された難易度が低い場合は、「対応可能範囲」が「低難度〜普通」である担当者の端末２０にアラートデータベース２５からアラートデータを含むデータを送信する（ステップＳ３０６）。

ここで、習熟度データベース２４の「対応可能範囲」が「低難度〜普通」とは、該当する担当者の習熟度が比較的低いため、疑わしい取引か否かの判断の難易度が「低難度〜普通」の比較的容易なアラートデータを含むデータについて担当することを示す。

一方、決定手段１５は、ステップＳ３０４で決定された難易度が高い場合は、習熟度データベース２４の「対応可能範囲」を参照して「対応可能範囲」が「普通〜高難度」である担当者の端末２０にアラートデータベース２５からアラートデータを含むデータを送信する（ステップＳ３０７）。

ここで、習熟度データベース２４の「対応可能範囲」が「普通〜高難度」とは、該当する担当者の習熟度が比較的高いため、疑わしい取引か否かの判断の難易度が「普通〜高難度」の比較的難しいアラートデータを含むデータについて担当することを示す。

例えば、図１１の習熟度データベース２４において、担当者ＩＤ「３３３３３３３」の担当者名「××花子」は、対応可能範囲が「普通〜高難度」である。したがって、疑わしい取引か否かの判断の難易度が比較的高いアラートデータを含むデータが決定手段１５によって担当者名「××花子」の端末２０に送信される。一方、担当者ＩＤ「４４４４４４４」の担当者名「□□三郎」は、対応可能範囲が「低難度〜普通」である。したがって、疑わしい取引か否かの判断の難易度が比較的低いアラートデータを含むデータが決定手段１５によって担当者名「□□三郎」の端末２０に送信される。

担当者は送信されたアラートデータを含むデータが疑わしい取引に該当するか否かを調査する。調査した後に調査結果は承認者によって承認される。そして、届け出が必要であると判断されたアラートデータを含むデータは、担当者により疑わしい取引として行政官庁に届け出がされる。一方、届け出が必要でないと判断されたアラートデータを含むデータは、届け出は不要である。

なお、ここで担当者によって届け出が必要、または不要と判断されたアラートデータを含むデータは、ステップＳ３０３と同様に決定手段１５においてそれぞれ機械学習される。そして、機械学習されたアラートデータを含むデータは、学習データとして機械学習データベース２２の内容を更新することができる。

例えば、図１０の機械学習データベース２２において、「月末口座残高」の範囲が「１，０００円以下」の場合はスコア「−５０」となっている。しかし、アラートデータを含むデータの「月末口座残高」が「１０，０００円」の場合でも信頼度が高く、届け出が必要であると機械学習によって判断された場合は、「１０，０００円以下」の場合はスコア「−５０」とするなど学習データの内容を更新することができる。

図１４は、取引モニタリングシステム１０のシステム構成を示す。取引モニタリングシステム１０は、ＣＰＵ４０、ＲＡＭ４１、ＲＯＭ４２、ストレージ４３、接続インターフェース４４およびネットワークインターフェース４５を備える。各コンポーネント４０〜４５は、バス４６を介して相互に通信可能に接続される。

ＣＰＵ４０は、デバイスおよび回路のそれぞれを制御し、並びに演算およびデータ処理を行う。ＲＡＭ４１は一時記憶領域であり、ＣＰＵ４０による演算実行時に使用される。ＲＯＭ４２は、種々のプログラムを格納する記憶領域である。ストレージ４３は、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）などにより構成され、様々なデータを格納する。ＣＰＵ４０の制御に基づいて、データがストレージ４３から読み取られ、およびデータがストレージ４３に書き込まれる。

接続インターフェース４４は、取引モニタリングシステム１０に種々のデバイスを接続するためのインターフェースである。例えば、接続インターフェース４４を介して、ディスプレイ、キーボード、マウス、外部記憶装置等が取引モニタリングシステム１０に接続されることができる。

ネットワークインターフェース４５は、通信回線を通じてネットワーク３０に接続される。そして、ネットワークインターフェース４５は、ＣＰＵ４０の制御に基づいてネットワーク３０および取引モニタリングシステム１０の間のデータの入出力を制御する。ネットワークインターフェース４５およびネットワーク３０の間の接続は、有線接続および無線接続のいずれであってもよい。

なお、本願においては、ネットワークインターフェース４５が送受信部１１に対応し、ＣＰＵ４０が制御部１２に対応する。また、ストレージ４３が記憶部１６に対応する。

以上のとおり、本願の一実施形態に係る取引モニタリングシステム１０が構成されている。次に、取引モニタリングシステム１０の効果を説明する。

本実施形態によれば、学習データは、アラートデータを含むデータに基づいて機械学習アルゴリズムにより作成される。したがって、過去のアラートデータについて、疑わしい取引としての行政官庁への届け出をしたものと届け出をしなかったものとの傾向を考慮した上で機械学習により自動的に学習データを更新し、また新しく作成することができるためアラートデータの件数が多い場合に特に効率的である。また、学習データ更新や新たな作成により、疑わしい取引か否かを判定するための機械学習データベースの内容を更新できるため、届け出をするか否かを判断することにおける正確性の度合いを自動的に高くすることができる。

本実施形態によれば、決定手段１５は、信頼度の値が基準値以下の場合は、アラートデータを含むデータについて届け出不要と自動的に判定する。したがって、アラートデータの信頼度の値が基準値以下であり、疑わしい取引ではないことが明確な場合は難易度を考慮することなく行政官庁への届け出不要と自動的に判定するため効率的である。

本実施形態によれば、決定手段１５は、習熟度記憶手段２４を参照することにより、決定された難易度に応じて端末２０にアラートデータを送信する。したがって、難易度が高い場合は習熟度の高い担当者にアラートデータを含むデータを送信し、難易度が低い場合は習熟度の低い担当者へアラートデータを送信する。よって、習熟度の低い担当者に難易度が高いアラートデータを送信して時間を無駄にするといったことがなく、効率的である。また、信頼度ではなく難易度によってアラートデータの取り扱いを変えている。したがって、金額が少額で口座の利用も低頻度だが疑わしい取引の可能性があるなど、疑わしい取引か否かの判断が難しい場合に金額で一律に決定など画一的に決定することなく、正確に判断することを支援することができる。

以上、本発明に係る実施形態について説明したが、本発明はかかる実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々なる態様で実施し得ることは言うまでもない。例えば、取引モニタリングシステム１０や制御部１２の各手段１３乃至１５の役割は、上述の例に限定されない。

１０ 取引モニタリングシステム
１１ 送受信部
１２ 制御部
１３ 取得手段
１４ 算定手段
１５ 決定手段
１６ 記憶部
１７ 取引データベース
１８ 顧客データベース
１９ 口座データベース
２０ａ 端末
２０ｂ 端末
２０ｃ 端末
２１ ケースデータベース
２２ 機械学習データベース
２３ 明細データベース
２４ 習熟度データベース
２５ アラートデータベース
３０ ネットワーク
４０ ＣＰＵ
４１ ＲＡＭ
４２ ＲＯＭ
４３ ストレージ
４４ 接続インタフェース
４５ ネットワークインターフェース

Claims (5)

1. 金融機関における取引モニタリングするためのシステムであって、
   疑わしい取引の抽出基準を格納したケースデータに基づいて、口座取引データから前記疑わしい取引の可能性が高いデータをアラートデータとして取得し、
   前記アラートデータと学習データとを突合することにより前記学習データから前記アラートデータのスコアを取得し、前記スコアに基づいて前記アラートデータの信頼度を算定し、前記学習データは、前記アラートデータに係る取引が前記疑わしい取引に該当すると判断するための基準および前記スコアを含み、ならびに過去のアラートデータに対して前記疑わしい取引として届け出のあった取引、なかった取引に基づいて機械学習されるデータであり、前記信頼度は、前記アラートデータに係る取引が前記疑わしい取引に該当する割合である
   ように構成されたことを特徴とするシステム。
2. 前記システムは、前記信頼度に基づき、前記アラートデータに係る取引が前記疑わしい取引に該当するか否かの判断の難易度を決定するようにさらに構成され、前記難易度は、前記信頼度が第１の基準値より高い、または、第２の基準値より低い場合に低いと決定され、それ以外の場合は高いと決定されることを特徴とする請求項１に記載のシステム。
3. 前記システムは、担当者の習熟度データおよび前記決定された難易度に基づいて、少なくとも前記アラートデータを送信すべき前記担当者の端末を決定するようにさらに構成されたことを特徴とする請求項２に記載のシステム。
4. 金融機関における取引モニタリングするためのシステムにおいて実行される方法であって、
   疑わしい取引の抽出基準を格納したケースデータに基づいて、口座取引データから前記疑わしい取引の可能性が高いデータをアラートデータとして取得するステップと、
   前記アラートデータと学習データとを突合することにより前記学習データから前記アラートデータのスコアを取得し、前記スコアに基づいて前記アラートデータの信頼度を算定するステップであって、前記学習データは、前記アラートデータに係る取引が前記疑わしい取引に該当すると判断するための基準および前記スコアを含み、ならびに過去のアラートデータに対して前記疑わしい取引として届け出のあった取引、なかった取引に基づいて機械学習されるデータであり、前記信頼度は、前記アラートデータに係る取引が前記疑わしい取引に該当する割合である、ステップと
   を備えることを特徴とする方法。
5. 請求項４に記載の方法をコンピュータに実行させるためのプログラム。

Images