歡迎來到調查技術：開源工具、自動化與網絡分析
哈囉，歡迎！在範疇 D：打擊金融犯罪的工具與技術的前幾章中，你已經學習了金融機構如何進行客戶接納（Onboarding）、對制裁名單進行篩查，以及監控持續進行的交易。但當系統發出警報、浮現異常模式，或者調查員需要深入追查時，又會發生甚麼事？這就是調查技術大顯身手的時候。
如果「網絡分析」或「自動化支援」聽起來太過技術性或令人生畏，千萬不要擔心。你可以將調查員想像成金融神探。在本章中，我們將探討現代的數碼放大鏡、智能助手以及關聯映射工具，了解它們如何協助打擊金融犯罪（AFC）分析師串聯隱藏線索並揭露犯罪行為。
備註：如欲了解相關課題的更廣泛背景，請參閱我們的配套章節：客戶接納管控與外部數據源詳見《客戶接納技術：E-KYC、數碼身份、生物辨識與外部數據源》；基於規則與機器學習的交易警報系統載於《支付篩查與交易監控》；系統性工具評估則在《數據私隱、工具選擇與營運成效》中深入探討。
---1. 金融調查中的開源工具
甚麼是開源工具？
在反洗錢（AML）及打擊恐怖分子資金籌集（CFT）調查中，開源工具是指任何用於收集、整理和評估公開可獲取資訊的技術、搜尋機制或公共平台。這門專業技術通常被稱為「開源情報」（Open-Source Intelligence，簡稱 OSINT）。
調查員不能單純依賴銀行內部的紀錄。犯罪分子往往穿梭於多個法定實體、金融機構和司法管轄區之間。開源工具能夠提供關鍵的外部背景資訊，以確立交易是否具備正當經濟目的，或及時識別可疑的異常情況。
開源工具的核心應用
當對異常交易或客戶行為展開調查時，分析師會利用開源資源來核實：
• 公司查冊與登記備案：跨司法管轄區核對註冊業務地址、成立註冊日期、董事職位以及法人地位。
• 公開土地與物業紀錄：將高價值資產購置情況與客戶申報的淨資產及收入來源進行比對驗證。
• 訴訟與法院紀錄：識別涉及目標對象的公開執法行動、進行中的民事訴訟、破產程序或刑事起訴。
• 商業數據庫與公共登記冊：探索公開公司名錄及跨境貿易登記冊，以驗證申報的進出口業務活動。
• 負面新聞與數碼足跡：搜尋新聞媒體、經核實的調查報道和網頁存檔，以發掘負面報道、爭議或政治關聯。
現實生活比喻：想像一下，你向一位聲稱自己是退休醫生且極少開車的人購買二手車。內部資料只顯示對方的付款明細；但開源搜尋卻顯示公開的社交平台和本地商業登記，指出他實際上在營運一家繁忙的地區速遞公司。這個外部背景完全改變了整體的風險評估！
使用開源數據時應避免的常見錯誤
• 錯誤：將每篇博客文章、論壇留言或未經證實的網絡說法當作既定事實。
• 糾正方法：開源資訊在被引述至內部案件檔案或監管報告（例如可疑交易報告（SAR/STR））之前，必須嚴格評估其可信度、獨立性以及是否具備佐證。
重點提示：開源工具透過整合公共登記冊、負面報道和官方備案來提供外部背景，以確認客戶在現實生活中的真實輪廓是否與其紀錄上的交易輪廓相符。
---2. 調查中的自動化支援
為甚麼我們需要自動化？
現代金融機構每天處理數以百萬計的交易。當異常活動觸發內部覆核時，調查員往往花費高達 \(70\%\) 的工作時間處理重複的行政瑣事：調取客戶檔案、複製交易紀錄、查詢多個內部數據庫，以及提取外部搜尋結果。
自動化支援利用工作流程工具、指令碼（Scripts）和機械人流程自動化（RPA），在無需人手干預的情況下處理這些常規、規則明確的任務，讓人類調查員能夠全神貫注於關鍵的分析與判斷。
自動化支援的關鍵範疇
• 自動化數據整合：當指派警報時，自動化工具可自動查詢內部客戶關係管理（CRM）系統、核心銀行系統紀錄、以往的警報歷史以及客戶盡職審查（CDD）檔案，將所有內容整合為統一的案件卷宗。
• 自動化證據封裝：系統化地為公開紀錄、公司查冊結果和內部交易日誌截取帶有時間戳的熒幕截圖，確保審計軌跡完整且無法篡改。
• 智能升級轉介路徑：根據預設的風險準則（例如涉及政治人物（PEP）或高風險警示地區的個案），將高風險警報直接轉介至高級專家審批。
• 預先填寫 SAR 敘述內容：將標準的人口統計學數據、賬戶資料和交易明細時間表自動填入法規呈報表格，讓調查員能夠全力專注於撰寫可疑點的分析摘要。
記憶小秘訣：自動化的「E-A-R」優勢
• Efficiency（效率）：大幅縮短個案處理時間。
• Accuracy（準確性）：消除跨多個數據庫時人手複製與貼上的錯誤。
• Review Quality（覆核質素）：讓人類分析師能將精力投入於專業判斷，而非繁瑣的文書雜務。
重點提示：自動化並不是取代調查員，而是為其賦能。它負責處理數據收集、系統查詢和案件準備工作，讓人類分析師能集中精力發掘模式並判定活動是否確實可疑。
---3. 網絡分析工具：追蹤犯罪關聯
甚麼是網絡分析？
洗錢分子和犯罪集團極少透過單一、孤立的賬戶運作。相反，他們會利用由空殼公司、分層交易、掛名傀儡和家族成員組成的複雜網絡，來隱瞞不法資金的最終來源與實益擁有權。
網絡分析（亦稱關聯分析或圖譜分析）是一種調查技術，能繪製不同實體之間的關係、交易和共同屬性，將平面的數據庫資料行轉化為直觀的可視化關聯網絡。
網絡圖譜的核心組成部分
網絡分析軟件透過兩個基本構建單元來檢視金融數據：
• 節點（實體，Nodes）：網絡中的主體。節點可以代表自然人、公司、銀行賬戶、IP 地址、電話號碼或具體實體地址。
• 邊（關係/關聯，Edges）：節點之間的連線。邊可以代表資金轉賬、共同的實益擁有權、相同的董事職位、相匹配的電話號碼或完全一致的地理位置。
可視化示意圖：
【賬戶 A】 --- （轉賬 \$50,000） ---> 【空殼公司 B】
|
（共用同一實體地址）
v
【實體 C（已確認命中監控名單）】
網絡分析能揭示甚麼？
透過將交易數據與客戶基本資料相結合，網絡分析工具能夠揭示電子表格無法輕易呈現的隱藏模式：
1. 共用識別碼匹配：識別表面看似無關，但實際上共用相同實體地址、電話號碼、電郵域名、稅務編號或網上銀行 IP 地址的賬戶。
2. 資金循環流動（U 型轉賬）：偵測複雜的洗錢手法——資金自某實體匯出，途經多個中介層，最後又回流至最初的匯款人，以此偽造資金來源，使其看似合法的商業收入。
3. 漏斗狀及輪輻狀結構：清晰視覺化多個個人賬戶迅速存入資金，隨後系統化地統一匯出至單一核心歸集賬戶的模式（反之亦然）。
4. 與高風險目標的隔離維度（關聯度）：衡量看似清白的客戶，與已經涉及執法機構傳票、命中制裁名單或已獲確認欺詐個案的賬戶之間，存在幾層關係距離。
快速複習：為甚麼網絡分析對 AFC 計劃不可或缺？
因為犯罪分子會刻意將金融活動分散於多個人員、賬戶和商業實體之中。網絡分析能將這些分散的碎片重新拼接，還原出完整清晰的全局面貌。
4. 人工智能（AI）與機器學習（ML）的應用考量
超越單純的可視化與指令碼
雖然基本自動化遵循嚴格的預設規則（「若欄位 X 為空，則查詢數據庫 Y」），但進階的調查工具正日益融入人工智能（AI）與機器學習（ML），以進一步輔助人類調查員。
調查工作流程中的核心應用
• 預測性警報評分與分流：機器學習模型評估過往的調查結果。如果某個警報具備以往經常導致提交 SAR 的案例特徵，系統會將其評為高優先次序，立即引起調查員的注意。
• 實體識別解析（Entity Resolution）：AI 工具分析多個數據庫中姓名、地址和公司職稱的微小差異，準確推斷出 「Robt. J. Smith, 12 Main St」 與 「Robert Smith, 12 Main Street Apt 1」 指的是同一位客戶。
• 自然語言處理（NLP）：調查系統可自動閱讀並摘要非結構化的負面新聞、媒體報道和案件備註，即時提煉出相關的公司關係、法律訴訟以及上游犯罪指控。
模型風險與管治考量
在 AFC 調查架構中部署 AI/ML 工具時，合規計劃必須維持嚴格的管治：
• 可解釋性（防範「黑盒」效應）：調查員必須理解 AI 工具為何標記某項關聯或提高風險評分。監管機構及金融情報機構（FIU，例如香港的 JFIU）要求提供清晰的可疑依據，而非僅僅是一個演算法分數。
• 人機協同監管（Human-in-the-Loop）：先進技術旨在提供協助並排列優先次序，但具備資格的人類合規專業人員仍掌握最終決策權，負責升級呈報、簽批結案以及正式提交 SAR/STR。
重點提示：AI 與 ML 透過智能排序、實體識別解析和數據提取來輔助調查，但法規遵循要求透明的可解釋性，並始終由人類分析師進行最終覆核把關。
---本章總結與考試必讀清單
在繼續前進之前，請透過以下速覽清單自我檢測理解程度：
• 開源工具：調查員用以收集可靠的外部資訊（公共登記冊、法院檔案、負面新聞、公司查冊紀錄），以核實客戶背景及交易正當理由。
• 自動化支援：替代重複的行政工作（卷宗組裝、截圖存證、預先填寫 SAR 範本），從而減少人為錯誤，讓分析師能專注於實質調查。
• 網絡分析：將平面的交易與人口統計學數據轉化為由節點（實體/賬戶）和邊（關聯/轉賬）組成的可視化圖譜，以揭示隱藏關聯、共用屬性及資金循環流向。
• 調查中的 AI/ML：驅動警報優先次序劃分、高級實體識別解析及文本剖析，但同時必須符合清晰的可解釋性及由人類把關決策的要求。