Mali suçların tespiti ve önlenmesi bankalar için önemli bir öncelik olmaya devam ediyor. Son 10 yılda, finansal hizmetlerde mali suçlara uyum konusunda faaliyet düzeyi önemli ölçüde genişlemiş, dünya genelindeki düzenleyiciler çok sayıda yaptırım tedbiri almış ve 36 milyar dolar ceza kesilecek. Cezaların dışında, küresel finansal hizmet şirketleri için uyumun genel maliyetinin şu seviyeye ulaştığından şüpheleniliyor: 181 dolar 2020 milyar. Çoğu banka için müşterinizi tanıyın (KYC) ve kara para aklamanın önlenmesi (AML), daha geniş kapsamlı mali suç uyumluluğu kapsamında en büyük endişe alanını oluşturur. Bunun ışığında, kara para aklama riskinin yanı sıra bankaların uyumsuzluk riskini yönetmek için ölçeklenebilir ve amaca uygun, etkili AML sistemlerine acil ihtiyaç vardır. Kara para aklamanın üst düzeyde ele alınması aşağıdaki alanları kapsamaktadır:
- Müşteri taraması ve kimlik
- İşlem izleme
- Genişletilmiş müşteri risk profili
- Şüpheli işlemlerin raporlanması
Bu yazıda, işlem izleme (TM) çözümlerinin uygulanmasındaki genel zorluklara ve veri analitiği perspektifinden bulutta bir çözüm oluşturmak için AWS hizmetlerinden nasıl yararlanılabileceğine bakarak işlem izlemeye odaklanıyoruz; risk yönetimi ve özel analiz. Aşağıdaki diyagram, AWS Cloud'daki bir işlem izleme çözümüne yönelik kavramsal bir mimaridir.
Mevcut zorluklar
Finansal işlemleri kolaylaştırmaya yönelik büyüyen dijital kanallar, daha fazla kişinin finansal hizmetlere erişiminin artması ve küresel ödemelerdeki büyüme nedeniyle; TM ile ilgili verilerin yakalanması ve işlenmesi artık büyük veri sorunu olarak görülüyor. Büyük veri zorlukları ve gözlemleri şunları içerir:
- Veri hacminin, geleneksel bir şirket içi veri merkezi çözümünde etkili bir şekilde işlenmesi için fazlasıyla geniş olduğu kanıtlanmaya devam ediyor.
- The Bankacılık işlemlerinin hızı artmaya devam ediyor COVID-19'un ekonomik zorluklarına rağmen.
- Yapılandırılmamış verilere sahip daha fazla veri kaynağı kullanıma sunuldukça, TM platformları için işlenmesi gereken verilerin çeşitliliği de artmaya devam ediyor. Bu veri kaynakları, aşırı manuel çaba gerektirmeden bu tür verilerden değer elde etme sürecini otomatikleştirmek için optik karakter tanıma (OCR) ve doğal dil işleme (NLP) gibi teknikler gerektirir.
- Son olarak, TM çözümlerinde yer alan karmaşık işlemlerin katmanlı yapısı nedeniyle, birden fazla finansal kurumdan toplanan verilere sahip olmak, finansal işlemlerin akışına ilişkin daha kapsamlı bir anlayış sağlar. Böyle bir toplama, geleneksel şirket içi çözümde genellikle daha az uygulanabilirdir.
Veri Analizi
TM çözümlerinin uygulanmasındaki ilk zorluk, verileri güvenli ve ölçeklenebilir merkezi bir depoya (genellikle veri gölü olarak adlandırılır) aktaracak araç ve hizmetlere sahip olmaktır. Bu veri gölünün yalnızca terabaytlarca, hatta petabaytlarca veriyi yakalaması gerekmiyor, aynı zamanda zaman serileri, grafikler, veri pazarları ve makine öğrenimi (ML) için amaca yönelik olarak oluşturulmuş veri depolarının içine ve dışına veri taşıma sürecini de kolaylaştırması gerekiyor. ) işleme. AWS'de veri göllerini, amaca yönelik oluşturulmuş veri depolarını ve veri depoları arasındaki veri hareketini kapsayan bir veri mimarisini, göl evi mimarisi.
Aşağıdaki şemada AWS Cloud'daki bir TM mimarisi gösterilmektedir. Bu göl evi yaklaşımının daha detaylı bir örnek mimarisidir.
Verilerin göl evine alınması genellikle bir müşterinin veri merkezinden (müşteri halihazırda bulutta değilse) veya işlem sistemlerini barındıran farklı müşteri AWS hesaplarından veya harici kaynaklardan gelir. İşlem sistemleri hâlâ şirket içinde olan müşteriler için, verileri şirket içinden AWS Cloud'a aktarmak için çeşitli AWS hizmetlerinin kullanılabildiğini fark ettik; toplu gereksinime sahip bazı müşterilerimiz ise bu hizmetlerden yararlanıyor. AWS Transfer Ailesidoğrudan içeri ve dışarı güvenli dosya aktarımları için tam olarak yönetilen destek sağlar Amazon Basit Depolama Hizmeti (Amazon S3) veya Amazon Elastik Dosya Sistemi (Amazon EFS). Gerçek zamanlı gereksinimlerle, kullanımını görüyoruz Apache Kafka için Amazon Tarafından Yönetilen Akış (Amazon MSK), akış verilerini işlemek için Apache Kafka'yı kullanan uygulamalar oluşturmanızı ve çalıştırmanızı kolaylaştıran, tam olarak yönetilen bir hizmettir. AML süreci için referans verilerini veya siyasi nüfuz sahibi kişiler (PEP) listeleri, izleme listeleri veya durdurulma listeleri gibi harici verileri getirmenin başka bir yolu da, AWS Veri DeğişimiBu, bulutta üçüncü taraf verilerini bulmayı, bunlara abone olmayı ve kullanmayı kolaylaştırır.
Bu mimaride alım süreci, ham verileri her zaman sektör lideri ölçeklenebilirlik, veri kullanılabilirliği, güvenlik ve performans sunan Amazon S3'te depolar. Halihazırda AWS Cloud'da bulunan istemciler için verileriniz büyük ihtimalle Amazon S3'te zaten depolanıyordur.
TM için verilerin alımı KYC sistemlerinden, müşteri hesap depolarından ve işlem havuzlarından gelir. KYC sistemlerinden gelen verilerin, bir şirket veya bireyle ilgili olabilecek varlık bilgilerine sahip olması gerekir. Tüzel kişiler için, şirketin belirli bir yüzdesine doğrudan veya dolaylı olarak sahip olan veya kontrol eden gerçek kişiler olan temel lehtar sahiplerine (UBO'lar) ilişkin bilgiler de gereklidir. Veri hattını (giriş bölgesinden seçilmiş veri katmanına veri akışı) ayrıntılı olarak tartışmadan önce, AML işlemede tipik olarak kullanılan hassas veri sınıflarının bazı güvenlik ve denetim gereksinimlerinin ele alınması önemlidir.
Gartner'a göre, "Veri yönetişimi, veri ve analitiğin değerlenmesinde, oluşturulmasında, tüketilmesinde ve kontrolünde uygun davranışın sağlanmasına yönelik karar haklarının ve hesap verebilirlik çerçevesinin belirlenmesidir." AML perspektifinden bakıldığında, bu tanımda bahsedilen spesifikasyon ve hesap verebilir çerçeve, çeşitli etkinleştirici bileşenler gerektirir.
Birincisi, bazen teknik, süreç ve iş katalogları halinde gruplandırılan bir veri kataloğudur. Bu katalog AWS platformunda doğrudan şu adresten sağlanır: AWS Tutkal veya dolaylı olarak AWS Göl Oluşumu. AWS Glue tarafından uygulanan katalog temel olarak teknik bir katalog olsa da bunu süreç ve işle ilgili özellikler ekleyerek genişletebilirsiniz.
İkinci etkinleştirme bileşeni ise veri soyu. Bu hizmet, dikey, yatay ve fiziksel olmak üzere farklı veri kökeni türlerini destekleyecek kadar esnek olmalıdır. AML perspektifinden bakıldığında dikey köken, belirli veri sınıflarının toplanmasını gerektiren AML düzenlemesinden teknik katalogda yakalanan veri modellerine kadar bir iz sağlayabilir. Yatay ve fiziksel köken, şüpheli işlemler için kaynaktan nihai şüpheli faaliyet raporlamasına kadar verilerin izini sağlar. Yatay köken, meta veri düzeyinde köken sağlarken, fiziksel köken, fiziksel düzeyde iz yakalar.
Veri yönetişiminin üçüncü etkinleştirici bileşeni veri güvenliğidir. Bu, kullanımda olmayan ve aktarım halindeki verilerin şifrelenmesinin yanı sıra işleme sırasında verilerin kimlik bilgilerinin kaldırılması gereklilikleriyle ilgilenmenin çeşitli yönlerini kapsar. Bu alan, kullanım bağlamına bağlı olarak bir dizi kimliksizleştirme tekniği gerektirir. Tekniklerden bazıları arasında tokenizasyon, şifreleme, genelleştirme, maskeleme, tedirginlik, düzeltme ve hatta kişisel olarak tanımlanabilir bilgilerin (PII) veya genellikle nitelik düzeyinde hassas verilerin değiştirilmesi yer alır. Verilerin makine öğreniminde kullanım için yeterli çıkarım sinyallerine sahip olmasını sağlarken aynı zamanda doğru düzeyde gizlilik sağlamak için doğru kimlik gizleme tekniğini kullanmak önemlidir. Kullanabilirsiniz Amazon Macie'si, hassas verileri keşfetmek ve korumak, doğru kimlik gizleme tekniğini uygulamadan önce PII keşfini otomatikleştirmek için makine öğrenimi ve kalıp eşleştirmeyi kullanan, tam olarak yönetilen bir veri güvenliği ve veri gizliliği hizmetidir.
Verilerin giriş bölgesinden (ham veriler) seçilmiş verilere taşınması, veri kalitesi doğrulama, sıkıştırma, dönüştürme, zenginleştirme, tekilleştirme, varlık çözümleme ve varlık toplama dahil olmak üzere çeşitli işleme adımlarını içerir. Bu tür işleme genellikle çıkarma, dönüştürme ve yükleme (ETL) adı verilir. Bu mimaride AWS Glue tabanlı sunucusuz bir mimari kullanma (Scala veya Python programlama dillerini kullanarak) veya uygulama seçeneklerimiz bulunmaktadır. Amazon EMR'si (Apache Spark ve Hadoop gibi açık kaynaklı araçları kullanarak büyük veri kümelerini işlemeye yönelik bir bulut büyük veri platformu). Amazon EMR, bu ETL iş yüklerini çalıştırma esnekliği sağlar Amazon Elastik Bilgi İşlem Bulutu (Amazon EC2) bulut sunucuları, Amazon Elastik Kubernetes Hizmeti (Amazon EKS) kümeleri ve ayrıca AWS Karakolları.
Risk yönetimi çerçevesi
Mimarinin risk yönetimi çerçevesi kısmı, şüpheli işlemlerin tespit edilmesi ve raporlanması sürecini yöneten kuralları, eşikleri, algoritmaları, modelleri ve kontrol politikalarını içerir. Geleneksel olarak çoğu TM çözümü, AML gerekliliklerini uygulamak için yalnızca kural tabanlı kontrollere dayanıyordu. Ancak suçlular mevcut AML kontrollerini aşmak için yeni ve karmaşık yollar buldukça, bu kurala dayalı uygulamalar hızla karmaşık ve sürdürülmesi zor hale geliyor. Karmaşıklık ve bakımın yanı sıra, kurala dayalı yaklaşımlar genellikle çok sayıda yanlış pozitifle sonuçlanır. Bu bağlamda yanlış pozitifler, işlemlerin şüpheli olarak işaretlendiği ancak şüpheli olmadığı ortaya çıkan durumlardır. Buradaki bazı rakamlar oldukça dikkat çekicidir; bazı çalışmalar ise bundan daha azını ortaya koymaktadır. 2 vakaların% 'si aslında şüphelenmeye başlıyor. Bunun anlamı, operasyonel maliyetler ve bu yanlış pozitifleri araştırmak için gereken operasyonel kaynak ekipleridir. Bazen gözden kaçırılan bir başka sonuç da, ödeme veya işlemlerin onaylanması gibi müşteri hizmetlerinin yanlış pozitifler nedeniyle ertelendiği veya reddedildiği müşteri deneyimidir. Bu genellikle tatmin edici olmayan bir müşteri deneyimine yol açar. Yanlış pozitiflerin sayısına rağmen, AML başarısızlıkları ve ardından gelen para cezaları neredeyse hiç haber dışı kalmıyor; bir durumda Birleşik Krallık'taki Mali Davranış Otoritesi (FCA) aşağıdakileri almaya karar verir: Bir bankaya karşı ceza davası açılması yönünde benzeri görülmemiş bir adım başarısız AML süreçleri nedeniyle.
Kurala dayalı AML yaklaşımının bazı eksiklikleri ışığında, finansal hizmet müşterileri tarafından çok sayıda araştırma ve odaklanma gerçekleştirilmiştir. RegTech'ler, şüpheli işlemleri tespit etmek için makine öğrenimi uygulanması hakkında. Şüpheli işlem tespitinde makine öğrenimi tekniklerinin kullanımına ilişkin kapsamlı bir çalışma, tarafından yayınlanan bir makaledir. Z. Chen ve diğerleri. Bu makale 2018'de yayınlandı (ML açısından bu bir ömür öncesine denk gelir), ancak kavramlar ve bulgular hâlâ geçerlidir. Makalede, AML için ML'nin kullanılmasıyla ilgili bazı ortak algoritmalar ve zorluklar vurgulanmaktadır. AML verileri, genellikle Temel Bileşen Analizi (PCA) veya otomatik kodlayıcılar (etkin veri kodlamalarını denetimsiz bir şekilde öğrenmek için kullanılan sinir ağları) gibi algoritmaların kullanımı yoluyla boyutsallığın azaltılmasını gerektiren yüksek boyutlu bir alandır. Özellik mühendisliğinin bir parçası olarak çoğu algoritma, zaman aralıklarına göre (günlük, haftalık ve aylık) toplanan işlemlerin (borçlar ve alacaklar) değerini gerektirir. Müşteri veya işlem profilleri için kümeler oluşturmak amacıyla k-araçlar veya k-araçların bazı çeşitleri gibi kümeleme algoritmaları kullanılır. Genellikle AML veri kümelerinde bulunan sınıf dengesizliğiyle de uğraşmaya ihtiyaç vardır.
Bahsedilen tüm bu algoritmalar Z. Chen ve diğerleri kağıt tarafından desteklenmektedir Amazon Adaçayı Yapıcı. SageMaker, veri bilimcilerin ve geliştiricilerin AML için makine öğrenimi modellerini kolayca oluşturmasına, eğitmesine ve dağıtmasına olanak tanıyan, tam olarak yönetilen bir makine öğrenimi hizmetidir. Ayrıca davranışsal modelleme, risk puanlama ve anormallik tespiti gibi AML'yi destekleyen diğer algoritma kategorilerinden bazılarını SageMaker ile uygulayabilirsiniz. AML zorluklarını gidermek için denetimli, yarı denetimli ve denetimsiz modeller dahil olmak üzere çok çeşitli algoritmalar kullanabilirsiniz. Algoritmaların uygunluğunu belirleyen bazı ek faktörler arasında modellerin yüksek geri çağrılma ve kesinlik oranı ile model çıktısını açıklamak için SHapley Katkısal exPlanation (SHAP) ve Yerel Yorumlanabilir Model-Agnostik Açıklamalar (LIME) değerleri gibi yaklaşımlardan yararlanma yeteneği yer alır. Amazon SageMaker Netleştirin önyargıyı tespit edebilir ve ML modellerinin şeffaflığını artırabilir.
Risk puanlamaya odaklanan algoritmalar, sektör, coğrafya, banka ürünü, iş büyüklüğü, kuruluşlar için karmaşık sahiplik yapısının yanı sıra işlemler (borçlar ve alacaklar) ve sıklık gibi temel müşteri özellikleri gibi çeşitli veri sınıflarına yayılabilen bir risk profili sağlar. bu tür işlemlerden. Ayrıca, PEP listeleri, çeşitli durdurulma listeleri ve izleme listeleri gibi harici veriler ve bazı durumlarda şüpheli dolandırıcılık veya yolsuzlukla ilgili medyada yer alan haberler de müşterinin risk profiline göre ağırlıklandırılabilir.
Kural tabanlı ve makine öğrenimi yaklaşımları birbirini dışlayan değildir ancak daha iyi algoritmalar araştırılıp uygulandıkça kuralların ikincil bir rol oynamaya devam etmesi muhtemeldir. AML'ye yönelik algoritmaların geliştirilmesinin yavaş olmasının nedenlerinden biri, belirli bir senaryo için doğru bir şüpheli etkinlik raporunun (SAR) ne zaman sunulduğunu gösteren sonuç verilerini içeren güvenilir veri kümelerinin mevcudiyetidir. Bulguların daha fazla araştırma için açıkça paylaşıldığı diğer makine öğrenimi alanlarından farklı olarak, AML'de ilerlemenin büyük bir kısmı ilk olarak fikri mülkiyet haklarını koruyan satıcılara ait ticari ürünlerde ortaya çıkıyor.
Özel analiz ve raporlama
Mimarinin son kısmı, vaka veya olay yönetimi araçlarına yönelik desteği ve nihai SAR için bir raporlama hizmetini içerir. Bu hizmetler şunlar olabilir: AWS Pazar Yeri çözümler veya Amazon EKS veya Amazon ECS gibi AWS hizmetleri kullanılarak sıfırdan geliştirilebilir. Mimarinin bu kısmı aynı zamanda AML'nin çok önemli bir yönü olan ağ analizi için de destek sağlar. Ağ veya bağlantı analizinin üç ana bileşeni vardır:
- kümeleme – Grafiklerin oluşturulması ve para akışının temsili. Amazon Neptün yüksek düzeyde bağlantılı veri kümeleriyle çalışan uygulamalar oluşturmayı ve çalıştırmayı kolaylaştıran, hızlı, güvenilir, tam olarak yönetilen bir grafik veritabanı hizmetidir.
- istatistiksel analiz – Merkezilik, normallik, kümeleme ve özvektör merkeziliği ile ilgili metriklerin bulunmasına yardımcı olmak için kullanılır.
- Veri goruntuleme – Keşifsel veri analizini destekleyen etkileşimli ve genişletilebilir bir veri görselleştirme platformu. Ağ analitiğinden elde edilen bulgular aynı zamanda müşteri risk profillerine ve denetlenen makine öğrenimi algoritmalarına da aktarılabilir.
Sonuç
Bu mimaride açıklanan hizmetlerin veya mimari katmanların hiçbiri sıkı bir şekilde birbirine bağlı değildir; farklı katmanlar ve hizmetler, AWS Marketplace çözümleri veya bulut tabanlı dağıtımı destekleyen diğer FinTech veya RegTech çözümleriyle değiştirilebilir. Bu, AWS Bulut'un, bulutta modern bir TM çözümü oluşturmak için AWS'de Göl Evi Mimarisi temelinde dağıtılabilecek güçlü bir yerel hizmet ekosistemine ve üçüncü taraf çözümlerine sahip olduğu anlamına gelir. Bu yazıda açıklanan mimarinin önemli bölümleri hakkında daha fazla bilgi edinmek için aşağıdaki kaynaklara bakın:
Verileri bir veri gölüne yerleştirmek için (ACID uyumluluğundan yararlanmak dahil):
Amazon EMR'yi veri hattı işleme amacıyla kullanmak ve Amazon EMR'ye yönelik son güncellemelerden bazıları için:
Mali suç kullanım durumlarını desteklemek amacıyla SageMaker'dan yararlanmak için:
AWS'de tam ölçekli bir AML çözümü (müşteri taraması ve kimliği, işlem izleme, genişletilmiş müşteri risk profili ve şüpheli işlemlerin raporlanmasını kapsayan) geliştirme konusunda yardıma ihtiyacınız varsa lütfen AWS ile iletişime geçin.
Yazar Hakkında
Yomi Abatan Londra, Birleşik Krallık merkezli Kıdemli Çözüm Mimarıdır. Finansal hizmet kuruluşlarıyla birlikte çalışarak çeşitli büyük ölçekli BT çözümlerinin mimarisini tasarlıyor, tasarlıyor ve uyguluyor. Halen yerleşik finansal hizmetler AWS müşterilerinin, AWS bulutunu hızlandırıcı olarak kullanarak Dijital dönüşümlere başlamalarına yardımcı oluyor. AWS'ye katılmadan önce çeşitli birinci düzey yatırım bankalarında çeşitli mimari görevlerinde çalıştı.
Kaynak: https://aws.amazon.com/blogs/big-data/implement-anti-money-laundering-solutions-on-aws/
- '
- 100
- hızlandırıcı
- erişim
- Hesap
- Ad
- Ek
- avantaj
- algoritmalar
- Türkiye
- Amazon
- Amazon EC2
- AML
- analiz
- analytics
- anomali tespiti
- kara para aklama
- Kara Para Aklamanın Önlenmesi/AML
- Apache
- Apache Kafka
- Apache Spark
- uygulamaları
- mimari
- ALAN
- etrafında
- denetim
- yetki
- kullanılabilirliği
- AWS
- Banka
- Bankacılık
- Bankalar
- büyük Veri
- Milyar
- inşa etmek
- iş
- durumlarda
- meydan okuma
- kanallar
- karakter tanıma
- istemciler
- bulut
- ticari
- ortak
- Şirketler
- şirket
- uyma
- bileşen
- hesaplamak
- kas kütlesi inşasında ve
- tüketim
- devam etmek
- devam ediyor
- bozulma
- maliyetler
- Covid-19
- Künye
- Suç
- Suçları
- Ceza
- Suçlular
- müşteri deneyimi
- Müşteri Hizmetleri
- Müşteriler
- veri
- veri analizi
- Veri Analizi
- Veri Merkezi
- Veri Gölü
- veri gizliliği
- veri kalitesi
- veri güvenliği
- veri goruntuleme
- veritabanı
- anlaşma
- ilgili
- deloitte
- ayrıntı
- Bulma
- geliştiriciler
- gelişme
- dijital
- keşif
- Ekonomik
- ekosistem
- Etkili
- Atılmak
- şifreleme
- Mühendislik
- Etkinlikler
- Exclusive
- deneyim
- HIZLI
- FCA
- Özellikler(Hazırlık aşamasında)
- mali
- Finansal Kurumlar
- finansal hizmetler
- mali suç
- fintech
- Ad
- uygun
- Esneklik
- akış
- odak
- vakıf
- iskelet
- dolandırıcılık
- Gartner
- genel
- Küresel
- yönetim
- Büyüyen
- Büyüme
- Hadoop'un
- okuyun
- Yüksek
- ev
- Ne kadar
- HTTPS
- Kimlik
- Dahil olmak üzere
- Artırmak
- sanayi
- bilgi
- kurumları
- fikri mülkiyet
- interaktif
- araştırmak
- yatırım
- Yatırım bankaları
- ilgili
- IT
- anahtar
- Müşterini tanı
- Kubernetes
- KYC
- dil
- Diller
- büyük
- ÖĞRENİN
- öğrenme
- seviye
- ışık
- Kireç
- LINK
- LINK Analizi
- Listeler
- yük
- yerel
- London
- makine öğrenme
- yönetim
- çarşı
- medya
- Metrikleri
- ML
- ML algoritmaları
- model
- para
- Kara para aklama
- izleme
- yani
- Doğal lisan
- Doğal Dil İşleme
- ağ
- ağlar
- sinirsel
- nöral ağlar
- haber
- nlp
- sayılar
- OCR
- Teklifler
- optik karakter tanıma
- sipariş
- örgütsel
- Diğer
- sahipleri
- kâğıt
- model
- ödeme
- ödemeler
- İnsanlar
- performans
- perspektif
- perspektifler
- fiziksel
- pii
- platform
- Platformlar
- politikaları
- Hassas
- Önleme
- Anapara
- gizlilik
- PLATFORM
- Ürünler
- Profil
- Profiller
- Programlama
- Programlama dilleri
- özellik
- korumak
- Koruyucu
- Python
- kalite
- menzil
- Çiğ
- işlenmemiş veri
- gerçek zaman
- nedenleri
- Regtech
- Değişiklik Yapıldı
- Denetleyiciler
- rapor
- Yer Alan Kurallar
- araştırma
- Kaynaklar
- DİNLENME
- Risk
- risk yönetimi
- kurallar
- koşmak
- sagemaker
- Scala
- ölçeklenebilirlik
- bilim adamları
- güvenlik
- Dizi
- Serverless
- Hizmetler
- Paylaşılan
- Basit
- beden
- Çözümler
- uzay
- hafızası
- mağaza
- mağaza
- akış
- çalışmalar
- Ders çalışma
- destek
- destekli
- şüpheli
- Sistemler
- Teknik
- zaman
- dizgeciklere
- işlem
- işlemler
- Dönüşüm
- transit
- Şeffaflık
- Birleşik
- İngiltere
- Güncellemeler
- Değerleme
- değer
- satıcıları
- görüntüleme
- hacim
- İzle
- haftalık
- DSÖ
- içinde
- İş
- çalışır
- yıl