# Menyelesaikan hit AML Source: https://help.didit.me/id/aml-screening/resolving-aml-hits Updated: 2026-10-12 Sebuah hit adalah kandidat, bukan putusan. Periksa skor kecocokan lalu skor risiko, dan catat alasannya agar keputusan tahan audit. Ajukan dua pertanyaan secara berurutan: **apakah ini pelanggan saya** (skor kecocokan), dan **apakah ini penting** (skor risiko dan kategorinya). Sebagian besar hit gagal di pertanyaan pertama - nama yang sama-sama umum terhadap daftar yang sangat besar. Catat alasannya apa pun hasilnya; jejak keputusan itulah yang dibaca seorang auditor. ## Sebuah hit adalah kandidat Tugas mesin penyaringan adalah memunculkan siapa pun yang mungkin ada dalam sebuah daftar. Memutuskan apakah mereka benar-benar ada di sana, dan apa yang harus dilakukan soal itu, adalah tugas Anda. Sebuah warning `POSSIBLE_MATCH_FOUND` berarti persis seperti apa yang tertulis. ![Tampilan Perlu ditinjau di Verifikasi pengguna pada konsol Didit dengan baris yang dipilih dan tindakan massal](https://help.didit.me/screenshots/sessions-bulk-light.webp) *Temukan session yang memiliki hit, nilai setiap kecocokan, lalu putuskan session-nya.* ## Langkah 1: apakah ini benar-benar pelanggan Anda? Bandingkan detail identitas pada hit tersebut dengan apa yang sudah dipastikan verifikasi: | Bandingkan | Kenapa ini membantu | |---|---| | Tanggal lahir | Pembeda terkuat. Sebuah ketidakcocokan biasanya sudah menyelesaikan masalahnya | | Kewarganegaraan dan negara | Sebuah hit di negara yang tidak punya hubungan apa pun dengan pelanggan Anda | | Nama lengkap termasuk nama tengah dan patronimik | Kecocokan nama sebagian adalah sumber utama false-positive | | Identifier apa pun pada catatan hit | Jika daftarnya mempublikasikan salah satu | Nama umum menghasilkan banyak kecocokan dengan keyakinan rendah terhadap daftar sanksi dan PEP - itu bukan cacat, memang begitulah cara kerja penyaringan berbasis nama. Jika antrean Anda dipenuhi hal semacam ini, ambang batas kecocokan Anda ditetapkan terlalu rendah. Lihat [memahami hasil penyaringan AML](https://help.didit.me/id/aml-screening/how-aml-screening-works). > **Tip:** Transliterasi penting di sini. Sebuah nama dari aksara non-Latin bisa > diromanisasikan dengan beberapa cara yang sah, sehingga orang yang sama bisa muncul > dengan ejaan yang tidak cocok secara string, dan orang yang berbeda bisa berujung > pada ejaan yang sama. Beri bobot lebih besar pada tanggal lahir dan kewarganegaraan > dalam kasus-kasus itu. ## Langkah 2: apakah ini penting? Jika memang ini pelanggan Anda, kategorinya yang menentukan apa yang harus Anda lakukan - dan di sinilah skor risiko berperan: - **Kecocokan sanksi.** Yang paling serius. Tangani sesuai prosedur sanksi Anda sendiri; ini bukan keputusan yang boleh diambil sembarangan. - **PEP.** Seorang PEP bukanlah seorang penjahat. Di sebagian besar rezim, status PEP memicu **uji tuntas tambahan** - informasi tambahan, sumber kekayaan, persetujuan dari manajemen senior - bukan penolakan. Menolak PEP secara otomatis adalah pilihan kebijakan, dan biasanya pilihan yang buruk. - **RCA.** Kerabat atau rekan dekat seorang PEP, disaring dengan alasan yang sama dan biasanya ditangani dengan cara yang sama. - **Pemberitaan negatif.** Baca kategori yang ditandai. Sebuah tuduhan yang diberitakan satu kali bukanlah sebuah vonis, dan kebijakan Anda harus membedakan keduanya. - **Risiko negara atau geopolitik.** Biasanya sebuah input untuk penilaian risiko, bukan sebuah keputusan. ## Langkah 3: catat keputusannya Buka bagian **AML** pada verifikasi tersebut dan tandai setiap hit dengan **Konfirmasi kecocokan** atau **Bukan kecocokan** (pilih beberapa sekaligus untuk **Tandai bukan kecocokan** dalam satu langkah). Pilihan Anda dicatat di **Tinjauan**, dan memerlukan akses tulis ke verifikasi. Lalu putuskan session-nya, dan tulis alasannya di catatan yang menyertai keputusan tersebut. Ini bagian yang penting nanti: seorang auditor jauh lebih tertarik pada apakah keputusan Anda dibuat secara konsisten dan dibuktikan, daripada pada tingkat hit Anda. Tulis catatan itu seakan-akan orang lain akan membacanya dua tahun dari sekarang tanpa Anda ada di sana, karena memang begitu nantinya. "Tanggal lahir berbeda 14 tahun, kewarganegaraan berbeda, didiskon" itu berguna. "Bukan kecocokan" itu tidak. Setiap aksi tercatat di audit log. Lihat [menggunakan audit log](https://help.didit.me/id/account-organization/audit-logs). ## Mengurangi false positive tanpa jadi buta Berdasarkan urutan pengaruhnya: 1. **Naikkan ambang batas kecocokan** sejauh yang dibenarkan oleh tingkat false-positive terukur Anda - dan ukur dulu sebelum memutuskan. 2. **Sertakan lebih banyak data identitas** saat membuat session. Penyaringan dengan tanggal lahir jauh lebih presisi daripada penyaringan hanya dengan nama. 3. **Arahkan ke review, jangan langsung tolak.** Sebuah kandidat hit hampir selalu sebaiknya diarahkan ke review, bukan ditolak secara otomatis. 4. **Pisahkan ambang batas Anda berdasarkan risiko.** Sebuah alur onboarding bernilai tinggi dan sebuah pemeriksaan usia berisiko rendah tidak membutuhkan pengaturan AML yang sama. ## Persetujuan empat mata Jika proses Anda mengharuskan dua reviewer untuk sebuah keputusan AML, tempatkan keputusan itu dalam sebuah kasus yang blueprint-nya mewajibkan **Tinjauan 4 mata**: rekan tim kedua mengonfirmasi penyelesaiannya sebelum berlaku. Kasus sedang diluncurkan secara bertahap dan mungkin belum tersedia untuk organisasi Anda. Lihat [kasus](https://help.didit.me/id/investigations/cases). ## Pemantauan akan memunculkan hit kembali Dengan pemantauan berkelanjutan diaktifkan, seorang pelanggan yang sebelumnya disetujui bisa menghasilkan sebuah hit baru di kemudian hari dan berpindah kembali ke Dalam tinjauan. Itu adalah fitur yang bekerja sebagaimana mestinya, bukan sebuah regresi - dan itu berarti penyelesaian hit adalah proses berulang yang perlu disiapkan sumber dayanya, bukan tugas satu kali saat onboarding. Lihat [pemantauan AML berkelanjutan](https://help.didit.me/id/aml-screening/ongoing-monitoring). ## Berlatih sebelum yang sebenarnya terjadi Sandbox memiliki dua skenario AML: `decline_aml_hit` menghasilkan sebuah hit yang ditolak, dan `review_aml_possible_match` menghasilkan sebuah hit dengan keyakinan lebih rendah yang berujung di Dalam tinjauan dengan catatan hit yang lengkap - skema yang sama seperti hit sungguhan, termasuk rincian skornya. Gunakan skenario ini untuk melatih tim Anda melewati proses penyelesaian sebelum seorang pelanggan sungguhan menunggu Anda. Lihat [menguji di sandbox](https://help.didit.me/id/getting-started/sandbox-and-testing).