Analisis pemberitaan negatif untuk KYB dan KYC
Peran pemberitaan negatif dalam KYB dan KYC
Pemberitaan negatif merupakan salah satu dari sedikit kontrol yang dapat mengungkap risiko sebelum berujung pada kerugian, kasus fraud, atau temuan regulator. Dalam KYB dan KYC, pemeriksaan ini membantu tim menemukan indikasi aktivitas kriminal, tindakan regulator, korupsi, penghindaran sanksi, fraud, dan peristiwa negatif lain yang mungkin tidak tercatat dalam sumber data terstruktur.
Masalahnya bukan pada konsepnya, melainkan pada prosesnya.
Tim sering mengandalkan pencarian manual, aturan kata kunci yang tidak konsisten, dan tinjauan ad hoc. Akibatnya, ada tiga risiko: risiko terlewat, hasil positif palsu, dan tidak adanya jejak audit. Pendekatan yang lebih terstruktur menggunakan alur keputusan dengan dua tahap. Pertama, tandai hasil yang mungkin relevan dengan cepat. Setelah itu, analisis hanya hasil yang sudah ditandai secara mendalam berdasarkan isi artikel, prompt terstruktur, dan keluaran yang dapat ditelusuri.
Proses praktis untuk pemeriksaan pemberitaan negatif
Rancangan terbaik bukan satu model yang berusaha menangani semuanya, melainkan rangkaian langkah deterministik. Setiap langkah memiliki tujuan, input, dan output yang jelas. Hasilnya, keputusan lebih mudah dijelaskan, aturan lebih mudah disesuaikan, dan manajemen kasus menjadi lebih baik.
1. Perluas pencarian, lalu persempit dengan aturan
Mulailah dengan cakupan pencarian. SerpApi dapat mengambil hasil Google Search dan Google News untuk suatu subjek, sehingga Anda mendapat gambaran awal yang luas tentang kemungkinan pemberitaan. Ini berguna karena pemberitaan negatif tidak hanya muncul dalam satu jenis sumber. Informasi dapat ditemukan dalam artikel berita, laporan lokal, liputan pers, dan halaman terindeks yang mungkin tidak terlihat dari satu kueri pencarian.
Pada tahap ini, tujuannya bukan memastikan relevansi, melainkan mengumpulkan kandidat. Gunakan nama, alias, nama perusahaan, direktur, UBO, dan identitas lain yang diketahui. Setelah itu, gunakan filter berbasis kata kunci untuk menandai pemberitaan yang kemungkinan bersifat negatif. Kata kunci dapat mencakup istilah terkait fraud, penangkapan, dakwaan, suap, penyelidikan, pencucian uang, penggelapan pajak, dan keterkaitan politik, sesuai kebijakan Anda.
Pencarian awal sebaiknya sengaja dibuat luas. Jika terlalu sempit, indikasi risiko bisa terlewat. Jika terlalu longgar, antrean tinjauan akan dipenuhi hasil yang tidak relevan. Keseimbangan yang tepat bergantung pada selera risiko dan populasi yang Anda periksa.
2. Gunakan logika kata kunci untuk penandaan deterministik
Logika kata kunci tetap penting. Prosesnya cepat, transparan, dan mudah diaudit. Anda dapat menjelaskan alasan suatu hasil ditandai, tanpa perlu mengandalkan proses yang tidak transparan. Hal ini penting dalam pemeriksaan yang diatur oleh regulator.
Contoh aturan yang umum digunakan:
- Nama cocok persis dan kata kunci negatif muncul di judul atau cuplikan
- Nama perusahaan disertai istilah penegakan hukum atau penyelidikan
- Nama orang disertai istilah kategori tindak pidana
- Istilah khusus yurisdiksi untuk pemeriksaan dalam bahasa lokal
- Batas waktu publikasi untuk memprioritaskan risiko terkini
Aturan ini tidak menentukan hasil kasus. Aturan hanya memilih hasil yang perlu ditinjau lebih lanjut. Pemisahan ini membuat proses tetap deterministik dan lebih mudah dikelola.
Peran LLM pada tahap kedua
Pencocokan kata kunci saja tidak dapat memastikan apakah suatu hasil benar-benar membahas subjek yang diperiksa. Cara ini tidak dapat membedakan dua orang dengan nama yang sama. Pencocokan kata kunci juga tidak dapat memastikan apakah artikel membahas tuduhan pidana, pengangkatan dalam jabatan politik, atau peristiwa yang sama sekali tidak terkait tetapi memuat kata kunci yang sama.
Di sinilah LLM berguna, bukan sebagai pemeriksaan awal, melainkan sebagai penganalisis pada tahap kedua.
Jika digunakan dengan tepat, LLM dapat membaca artikel, mengambil fakta yang relevan, mengelompokkan kategorinya, lalu memberikan respons terstruktur. Prompt perlu membatasi model agar hanya menjawab pertanyaan dalam daftar yang sudah ditentukan. Contohnya:
- Apakah artikel ini membahas entitas yang diperiksa?
- Apakah kemungkinan ini merupakan hasil positif palsu karena nama yang sama?
- Kategori pemberitaan negatif apa yang berlaku, jika ada?
- Bukti apa dalam artikel yang mendukung kesimpulan tersebut?
- Apakah kasus ini perlu diteruskan untuk tinjauan manual?
Keluaran sebaiknya terstruktur. JSON dapat digunakan, begitu juga kolom tetap seperti match_status, risk_category, confidence, summary, dan supporting_quotes. Dengan begitu, hasil dapat digunakan dalam alur manajemen kasus tanpa perlu penguraian tambahan atau perkiraan.
Membedakan risiko nyata dari hasil yang hanya cocok nama
Hasil positif palsu karena nama yang sama merupakan salah satu masalah utama dalam pemeriksaan pemberitaan negatif. Hasil pencarian mungkin memuat nama yang tepat, tetapi merujuk pada orang yang berbeda. Hal ini sering terjadi. Nama yang umum, transliterasi, dan kecocokan sebagian menambah hasil yang tidak relevan.
Proses yang baik memeriksa beberapa hal secara berurutan:
- Perbandingan nama dan identitas. Periksa usia, lokasi, tempat kerja, data pendaftaran perusahaan, jabatan, dan pihak yang diketahui terkait.
- Konteks artikel. Baca artikel lengkap, bukan hanya cuplikan atau judul.
- Pencocokan entitas. Bandingkan informasi dalam teks dengan data nasabah atau mitra usaha Anda.
- Penetapan kategori. Tentukan apakah peristiwanya bersifat pidana, politik, hukum, komersial, atau tidak relevan.
- Aturan eskalasi. Teruskan hanya kasus yang belum pasti atau berisiko tinggi untuk ditinjau oleh analis.
LLM paling berguna jika keluarannya dibatasi pada bukti. Model tidak boleh mengarang fakta. Model harus merangkum informasi yang tersedia, menunjukkan bagian yang belum pasti, dan menyatakan jika artikel tidak mendukung kecocokan tersebut.
Manfaat mengambil isi artikel secara lengkap
Cuplikan hasil pencarian saja tidak cukup. Sering kali, cuplikan tidak memuat detail yang menentukan relevansi. SerpApi menyediakan tautannya, sehingga Anda dapat mengambil artikel lengkap dan menganalisis teksnya lebih dalam. Cara ini meningkatkan ketepatan dalam tiga hal.
Pertama, Anda dapat melihat konteks lengkap saat nama disebut. Kedua, Anda dapat memeriksa apakah berita tersebut membahas tuduhan, vonis, gugatan, pengangkatan jabatan, atau peristiwa lain. Ketiga, Anda dapat mengambil kalimat pendukung untuk berkas kasus.
Analisis lanjutan ini hanya perlu dijalankan pada hasil yang sudah ditandai. Dengan begitu, biaya dan latensi tetap terkendali, dan pengambilan artikel yang tidak perlu dapat dikurangi. Arsitekturnya sederhana: cari, tandai, lengkapi, analisis, rangkum, simpan.
Saat mengambil artikel, normalkan teks sebelum analisis. Hapus menu navigasi, teks boilerplate, dan konten duplikat. Setelah itu, kirim hanya isi artikel yang relevan ke model. Jika artikelnya panjang, bagi menjadi beberapa bagian, lalu gabungkan hasilnya melalui tahap agregasi deterministik.
Alur keputusan dua tahap untuk pemberitaan negatif
Dalam praktiknya, logika keputusan dapat disusun seperti berikut:
- Tahap 1: Cari entitas di web dan sumber berita.
- Tahap 2: Terapkan aturan kata kunci deterministik untuk menandai kandidat.
- Tahap 3: Ambil teks artikel lengkap untuk kandidat yang ditandai.
- Tahap 4: Gunakan LLM dengan prompt terstruktur untuk mengklasifikasikan relevansi dan kategori.
- Tahap 5: Buat ringkasan untuk manajemen kasus yang mencakup bukti, tingkat keyakinan, dan alasan.
- Tahap 6: Teruskan kasus yang belum pasti atau berdampak serius kepada analis.
Urutan ini menghindari kesalahan umum, yaitu meminta model melakukan pencarian dan penilaian sekaligus. Proses penyesuaian juga menjadi lebih mudah. Anda dapat menyempurnakan istilah pencarian, daftar kata kunci, rancangan prompt, dan ambang batas secara terpisah.
Informasi yang perlu ada dalam jawaban terstruktur
Agar keluaran dapat mendukung operasional, skemanya harus ketat. Teks bebas saja tidak cukup. Jawaban yang berguna dapat mencakup:
- entity_match: ya, tidak, atau belum pasti
- match_type: persis, sebagian, nama sama, alias, atau tidak terkait
- risk_category: aktivitas kriminal, politik, sanksi, fraud, litigasi, regulasi, atau lainnya
- severity: rendah, sedang, tinggi
- confidence: skor numerik atau kategori tetap
- summary: 2–4 kalimat dengan bahasa yang mudah dipahami
- evidence: kutipan dari artikel
- recommended_action: clear, review, atau escalate
Struktur ini mengubah artikel menjadi catatan dalam berkas kasus. Analis dapat meninjaunya dengan cepat. Auditor dapat menelusuri prosesnya. Tim produk dapat memantau hasilnya. Aturan yang mendasari proses pun tetap terlihat.
Kontrol penting dalam pemeriksaan yang diatur regulator
Pemeriksaan pemberitaan negatif berkaitan dengan kepatuhan, risiko, dan operasional. Karena itu, kontrol sama pentingnya dengan cakupan pemeriksaan.
Anda memerlukan jejak keputusan yang lengkap. Catat istilah pencarian, URL sumber, aturan kata kunci yang terpicu, versi model, versi prompt, dan klasifikasi akhir. Jika hasilnya berubah kemudian, Anda perlu mengetahui alasannya.
Versi kata kunci dan prompt juga perlu dikendalikan. Perubahan kecil pada prompt dapat mengubah pola klasifikasi. Pembaruan kata kunci dapat mengubah jumlah kasus dalam antrean. Perlakukan keduanya sebagai kumpulan aturan yang dikelola, bukan sebagai perubahan tanpa pencatatan.
Terakhir, pertahankan tinjauan manusia untuk kasus yang belum jelas. Model seharusnya mengurangi pekerjaan manual, bukan menggantikan akuntabilitas.
Kesalahan umum dalam penerapan
Tim biasanya menghadapi masalah yang sama:
- Hanya mengandalkan cuplikan judul dan tidak membaca artikel lengkap.
- Menggunakan satu prompt besar untuk semua kasus tanpa mempertimbangkan kategorinya.
- Tidak memisahkan penandaan dari penilaian akhir.
- Hanya menyimpan jawaban akhir dan kehilangan jejak bukti.
- Mengabaikan ketidakpastian akibat nama yang sama dan menganggap semua kecocokan benar.
Setiap kesalahan ini menimbulkan hasil tidak relevan yang sebenarnya dapat dihindari atau membuat risiko terlewat. Solusinya adalah proses bertahap dengan aturan yang jelas dan keluaran yang dapat ditelusuri.
Integrasi dengan rangkaian pemeriksaan KYB/KYC lainnya
Pemeriksaan pemberitaan negatif sebaiknya tidak berdiri sendiri. Pemeriksaan ini perlu melengkapi pemeriksaan identitas, pemeriksaan sanksi, data registrasi perusahaan, verifikasi UBO, informasi perangkat, dan indikasi fraud. Gabungan sumber ini memberi gambaran entitas dan profil risikonya dengan lebih baik.
Hal ini sangat penting dalam KYB, karena pejabat perusahaan, pemegang saham, dan entitas terkait mungkin sama-sama perlu diperiksa. Satu artikel negatif tentang direktur dapat mengubah hasil kasus, meskipun catatan perusahaan itu sendiri tampak bersih.
Manfaatnya serupa untuk KYC. Seseorang mungkin lolos pemeriksaan dasar saat onboarding, tetapi tetap memiliki risiko pemberitaan yang perlu ditinjau. Proses harus dapat menemukan risiko tersebut. Analis tidak seharusnya perlu membaca ratusan hasil pencarian yang tidak relevan.
Ringkasan
Analisis pemberitaan negatif paling efektif jika diperlakukan sebagai alur keputusan, bukan satu tugas untuk model. Gunakan SerpApi untuk mengumpulkan hasil Google Search dan Google News. Terapkan aturan kata kunci untuk menandai kemungkinan masalah. Kemudian, ambil artikel lengkap dan gunakan analisis LLM terstruktur untuk menentukan apakah artikel benar-benar membahas subjek, kategori yang sesuai, dan apakah kasus perlu dieskalasi.
Pendekatan ini menjaga proses tetap deterministik saat diperlukan, sekaligus memberi ruang bagi pemahaman bahasa untuk menambah nilai. Pendekatan ini juga menyediakan hal yang dibutuhkan tim kepatuhan: kemampuan menelusuri proses, penjelasan hasil, dan antrean kasus yang lebih bersih.
Dengan rancangan seperti ini, pemeriksaan pemberitaan negatif tidak berhenti pada pencarian. Prosesnya menjadi kontrol yang dapat dijalankan secara berulang.
Pertanyaan yang sering diajukan
Hasil pencarian mana yang perlu diikuti dengan pengambilan artikel lengkap?
Ambil artikel lengkap jika hasilnya cocok dengan kata kunci negatif atau aturan kategori. Setelah itu, prioritaskan kandidat yang memiliki kecocokan dengan identitas kedua, seperti lokasi, tempat kerja, jabatan, atau hubungan dengan perusahaan. Buat pencarian awal cukup luas untuk menemukan alias dan pemberitaan dalam bahasa lokal. Mengambil setiap artikel yang menyebut nama akan menambah biaya dan jumlah kasus dalam antrean. Namun, cuplikan saja dapat menghilangkan konteks yang diperlukan untuk memastikan identitas.
Bagaimana menentukan ambang batas kata kunci?
Jangan gunakan satu ambang batas kata kunci untuk semua kondisi. Mulailah dengan kumpulan aturan yang luas, lalu uji menggunakan pemberitaan yang diketahui relevan dan tidak relevan untuk populasi yang Anda periksa. Longgarkan istilah jika melewatkan pemberitaan serius menimbulkan risiko besar. Perketat jika hasil tidak relevan karena nama yang sama membebani analis. Tinjau jumlah kasus dalam antrean dan kecocokan yang terlewat setelah setiap perubahan, serta simpan riwayat revisi aturan.
Hasil pemberitaan negatif mana yang perlu ditinjau analis?
Teruskan kecocokan identitas yang belum pasti, tuduhan dengan tingkat keparahan tinggi, dan artikel dengan informasi yang saling bertentangan kepada analis. LLM dapat mengambil bukti dan mengklasifikasikan kategori, tetapi analis harus menyetujui temuan negatif atau tindakan terhadap akun. Jangan menganggap skor keyakinan sebagai bukti identitas. Minta analis membandingkan identitas dengan konteks artikel secara lengkap.
Bagaimana menguji proses pemeriksaan sebelum diluncurkan?
Jalankan kembali hasil pemeriksaan sebelumnya yang telah dikonfirmasi analis. Sertakan nama umum, alias, transliterasi, berita dalam bahasa lokal, serta laporan lama atau yang telah dikoreksi. Ukur seberapa sering proses menemukan pemberitaan yang relevan, jumlah kecocokan keliru yang perlu ditinjau, dan jumlah hasil yang harus diselesaikan analis. Uji perubahan istilah pencarian, aturan kata kunci, dan prompt secara terpisah agar Anda dapat mengetahui perubahan yang memengaruhi hasil.