(相关资料图)

例如，“客户信息完整度”分值是由下级项目“基本项完整度”和“非基本项完整度”相加得出。再例如，“涉及名单”分值取下级项目“法人涉及名单”、“受益所有人涉及名单”、“联络人涉及名单”中的最高分。

以客户属性的模型构建为例：

上表中若客户涉及“内部高风险名单”，则客户属性的最终得分为40。

至此，当客户身份信息进入该模型后，均能够量化出唯一的分值，进而通过客户风险等级总分（区间）与风险等级之间的映射规则，以确定每个客户具体的风险评级，引导资源配置。（本文不再讨论《指引》中“显著低”、“显著高”的例外情形。）

笔者在自查洗钱风险等级划分模型时发现，由于客户身份信息的缺失或映射关系的错误，影响着分值的可靠性和模型的有效性，可能造成高风险客户的遗漏。因此，定期审查和报备洗钱风险等级划分模型，是反洗钱工作不可忽略的内容。

在由庞大数据堆砌的生产环境中，客户洗钱风险等级划分离不开系统的支持，在已经形成了以系统初评为主、人工复评为辅的客户风险等级划分基本机制下，需要意识到依靠但不依赖系统，发挥人工的灵活性和主动性，不断完善风险等级划分模型，适应动态数据环境，弥补系统漏洞，满足机构个性化需求，仍然是我们反洗钱从业者应当不断努力的方向。

感谢各位反洗钱同僚一直以来的支持和关注。