AML 双维度评分模型：匹配度与风险度 (ZH)
Didit 的 AML 引擎将两个问题独立处理：此命中项是否为您的客户（匹配度），以及他们的风险程度如何（风险度）。本文将详细解释每个分数如何加权、设置阈值并最终形成决策。.
大多数 AML 筛选工具将两个完全不同的问题合并为一个单一数字。此观察名单命中是否真的是我的客户？和此客户的危险程度如何？被混为一谈，变成了一个“风险分数”，结果是分析师在处理时，会看到一堆同名同姓的人和真正的制裁匹配项，它们看起来都一样。
Didit 的 AML 筛选引擎拒绝犯这种错误。它运行着一个双维度评分模型：一个衡量身份置信度的匹配度分数，以及一个衡量实体风险的风险度分数。它们独立计算并设置阈值，这是您在不遗漏真实命中的情况下大幅减少误报的最大杠杆。本文将精确解释每个分数的工作原理。
主要观点
- 匹配度分数 (0–100) 回答这真的是同一个人吗？——姓名相似度、出生日期和国家/地区，可加权和配置。
- 风险度分数 (0–100) 回答一个已确认的实体有多大风险？——类别、国家风险和犯罪记录。
- 两者是独立的。一个完美匹配的低风险记录和一个对受制裁实体的弱匹配被视为不同的情况。
- 可配置的权重和阈值允许您根据自己的风险偏好进行调整；匹配权重必须总和为 100。
- 证件号码匹配是“黄金密钥”——它将匹配度分数直接覆盖为 100%。
- 这两个分数都存在于独立的
POST /v3/aml/调用和 Didit 验证流程中，每次检查收费 0.20 美元。
两个分数的含义
当您筛选一个主体时，引擎会显示所有可能匹配的观察名单档案。对于每个档案，它会计算两件事。
匹配度分数关乎身份。根据您提交的姓名、出生日期和国家/地区，引擎有多大信心认为此观察名单记录描述的是同一个人？96 分表示“几乎确定是同一个人”；40 分表示“同名，可能只是巧合。”
风险度分数关乎实体本身，前提是匹配是真实的。一个高风险司法管辖区内有负面媒体报道的已确认 PEP 会获得高分；一个已确认但轻微的监管登记条目会获得低分。风险度分数从不询问匹配是否正确——那是匹配度分数的工作——它询问如果匹配是真的，您应该担心多少。
为什么这很重要
这种分离之所以重要，是因为它具有操作性，并直接体现在分析师的工作量上。想象一下筛选一个名叫“Maria Gonzalez”的客户。在 1300 多个名单中，会有许多人拥有这个名字，其中一些人确实存在风险。如果您只有一个综合分数，那么这些记录中的每一个都会在审查中显得同等重要，您的分析师会花费数小时来排除同名同姓的人。
有了两个分数，引擎可以在这些弱身份匹配项到达人工审查之前，将其悄悄标记为False Positive，无论这些记录的风险有多高——因为如果不是您的客户，风险就无关紧要。只有通过身份门槛的记录才会被评估风险并提交审查。结果是一个小巧、相关且有说服力的审查队列。
技术细节
两个分数都在同一个/v3/aml/响应中返回。独立调用：
curl -X POST https://verification.didit.me/v3/aml/ \
-H "x-api-key: $DIDIT_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"first_name": "Maria",
"last_name": "Gonzalez",
"date_of_birth": "1984-03-12",
"country": "ES",
"document_number": "X1234567Z"
}'每个显示的档案都有自己的匹配度分数和审查状态；整个筛选过程则有风险度分数和总体状态：
{
"aml_status": "In Review",
"risk_score": 71,
"matches": [
{ "profile_id": "prf_5a91c2", "match_score": 96, "match_status": "Unreviewed", "categories": ["PEP 2"] },
{ "profile_id": "prf_77b0e1", "match_score": 48, "match_status": "False Positive", "categories": ["Adverse Media"] }
]
}匹配度分数如何构建
匹配度分数是身份信号的加权组合。默认值：
| 信号 | 默认权重 |
|---|---|
| 姓名相似度 | 60% |
| 出生日期 | 25% |
| 国家/地区 | 15% |
权重是可配置的，并且必须总和为 100——如果您提高姓名相似度，就必须降低其他项。默认决策阈值为 93：分数低于 93 的档案会自动设置为False Positive；分数达到或高于 93 的档案会变为Unreviewed，等待分析师处理。
黄金密钥。如果您传递了document_number并且它与观察名单记录匹配，匹配度分数将直接覆盖为100%。证件号码匹配是可能的最强身份信号，因此它会跳过加权组合——对于是否是同一个人，不存在歧义。
风险度分数如何构建
风险度分数是风险信号的加权组合。默认值：
| 信号 | 默认权重 |
|---|---|
| 类别（制裁、PEP 级别、负面媒体等） | 50% |
| 国家风险 | 30% |
| 犯罪记录 | 20% |
它通过两个阈值驱动整体 AML 状态。默认情况下，批准阈值为 80，审查阈值为 100：
| 风险度分数 | 状态 |
|---|---|
| 低于 80 | 已批准 |
| 80 到 100 | 审查中 |
| 高于 100 | 已拒绝 |
价格。每次检查 0.20 美元——双维度评分评估已包含在内，并非附加项。
分析师处理的审查状态
一旦档案被显示，它会经历一套小型、可审计的审查状态：
- 误报 (False Positive) — 不是您的客户（通常在匹配度分数低于阈值时自动设置）。
- 未审查 (Unreviewed) — 通过了匹配阈值，等待人工决策。
- 已确认匹配 (Confirmed Match) — 分析师验证是您的客户。
- 不确定 (Inconclusive) — 证据确实模棱两可，案件被搁置。
这是书面记录。当监管机构询问您为何接纳了一个与受制裁个人同名的人时，“匹配度分数为 41，低于我们的 93 阈值，自动归类为误报”是一个完整、有说服力的答案。
使用案例
- 金融科技。通过自动抑制低置信度匹配项同时不遗漏高风险匹配项，保持快速入职。
- 加密/Web3。对高保证 KYC 流程使用证件号码“黄金密钥”，以便已确认的身份跳过同名猜测。
- 贷款。为借款人和担保人设置保守的风险度审查阈值，因为错过 PEP 的负面影响巨大。
- 市场。通过根据您的人群调整匹配度权重，降低大批量卖家入职的手动审查负担。
- iGaming。记录您为每个监管机构运行的精确阈值和权重，因为两个分数及其配置都是可审计的。
如何与 Didit 集成
- 将筛选作为工作流步骤添加或直接调用
POST /v3/aml/。 - 在控制台中设置匹配度分数（总和为 100）和风险度分数的权重。
- 设置您的阈值——匹配阈值（默认 93）和批准/审查阈值（默认 80/100）。
- 在有证件号码的地方传递证件号码以触发黄金密钥覆盖。
- 处理
Unreviewed队列，并让Approved/Declined决策流入您的入职逻辑。
常见问题
匹配度分数和风险度分数之间有什么区别？
匹配度分数衡量观察名单命中是否真的是您的客户（身份置信度）。风险度分数衡量如果匹配是真的，该实体的危险程度。它们独立计算并设置阈值。
默认权重是多少？
匹配度分数：姓名 60%，出生日期 25%，国家/地区 15%（必须总和为 100）。风险度分数：类别 50%，国家风险 30%，犯罪记录 20%。所有这些都可以在控制台中配置。
什么是黄金密钥？
如果您提供了证件号码并且它与观察名单记录匹配，匹配度分数将直接覆盖为 100%——证件号码匹配被视为明确的身份证明。
低于匹配阈值会发生什么？
分数低于匹配阈值（默认 93）的档案会自动设置为False Positive，因此无论该记录的风险有多高，它都不会到达分析师。
风险度分数如何转化为决策？
低于批准阈值（默认 80）时，状态为Approved；介于批准和审查之间（80-100）时，状态为In Review；高于审查阈值（默认 100）时，状态为Declined。
准备好开始了吗？
阅读文档中的AML 筛选概述，在AML 筛选产品页面上查看模型上下文，并在定价页面上查看透明的按次检查定价。准备好后，免费开始——每月 500 次免费 KYC 检查，AML 筛选每次检查 0.20 美元。