企业间所有权和投资链分析

使用TigerGraph智能地分析企业间所有权和投资链

为何要进行企业间所有权和投资链分析?

随着企业集团化、家族化、多元化发展,单一企业通过资本运作组建成商业帝国,影子集团,集团客户多层交叉持股,股权层层嵌套复杂关系的识别变得愈加困难。

各类资本系内部股权不透明,隐形股东和股权代持现象频繁发生,主要股东、控股股东、实际控制人、一致行动人及最终受益人隐藏在幕后;企业与股东个人、企业与企业之间的关系与交叉影响愈加复杂,单个客户信用风险的爆发有可能引发整个关联客群的风险。

目前,授信主体企业的风险调查方法已较为成熟,但对企业关联方的探寻,特别是对由不同维度的关联关系所构建的关联网络的分析和风险评估,都存在着较大的提升空间。对企业关联网络探寻不足,则可能会面临壳公司欺诈风险、关联公司隐藏风险、关联风险传导产生系统风险等问题。

基于关系型数据库的传统解决方案可行吗?

以国内某保险公司为例,多次融资后37家非国有公司背后的股东中,每家股东后面至少还有一层企业股东,13家(35%)有背后两层企业股东,3家有三层背后企业股东,1家有5层背后企业股东。也就是说,这37家非国企直接股东背后共有多达64家不同的企业法人股东,分布在不同层次的隐形股东结构中。而层层穿透直至自然人股东,共计86位自然人股东。

这其中不仅涉及到企业投资关系的层层嵌套,同时这些企业之间在股东、办公地址、成立时间、邮箱地址甚至股东姓氏等方面均有联系,如果通过关系型数据库查询这些联系,需要进行大量的表关联,将是一件耗时极长甚至无法计算操作。

同时,从企业风险的角度来看,企业关联方的探寻应不仅仅限于所有权和投资链分析,还应包括企业间交易信息,企业间担保信息等多维度共建企业关联网络。这将用到更多的数据源以及更复杂的关联操作,这都是关系型数据库无法完成的。

TigerGraph如何为你打造企业间所有权和投资链分析解决方案?

使用TigerGraph深度关联分析发现潜在的风险

近来,我们看到图数据库进化到了下一个阶段,新技术通过深度关联分析来满足投资链分析的深层需求,这可以让用户综合更多的信息源并实现强大的关系分析。借助TigerGraph优秀的计算性能,用户可以快速的梳理投资/担保/交易链条并发现潜在的风险。最终,用户可以将关系数据库中无法实现的判定规则放到TigerGraph中,从而实现批量自动化的目标群体识别,让分析人员将更多时间投入到业务规则制订中。

利用TigerGraph实体解析方案自动对目标群体进行归类

TigerGraph的分布式存储使导入历史关联数据成为可能,基于TigerGraph的实体解析方案,可以将那些由个人或团体控制的企业群进行归类,凭借着TigerGraph优秀的计算能力,通过合并更多数据维度并融合额外数据点(如与企业有关的外部信息),他们能够自动实时监测潜在的风险,使调查人员腾出手来将更趋巨大的数据用于更加具有战略意义的用途。最终,他们可以全面分析自己的海量数据。

使用TigerGraph分布式存储挖掘历史关联关系

比起传统的基于现有投资/担保/交易关系开展的关联分析,TigerGraph会建议用户关注一种常见而重要的隐藏关联关系,是“历史关联关系”,即当前时点企业与企业、企业与自然人之间无显性的关联关系,但历史上存在着较为紧密的关联。这种历史关联,尤其是公司股权与治理结构的历史关联,如果不是正常的变更或退出,则有可能包含潜在的欺诈风险。

对于这些隐蔽关联关系的挖掘,并非一件容易的事,需要多项技术的“加持”。依然以“历史关联关系”的挖掘为例,因为历史关联数据量更大,形成的关联关系更复杂,同时需要将时间维度加入关联网络中。那么为了构建起历史与当前关系相结合的关联网络,以下积累及技术步骤都必不可少:

  1. 数据积累方面,需要完整的历史关联关系存量数据,以及精确的关联关系变更记录数据;
  2. 从变更数据中清洗出相关的自然人、企业实体与该历史关系的存续时间段;
  3. 将这些解析出的自然人和企业,运用实体消歧算法和技术,结合历史与当前关联关系,进行实体的链接;
  4. 将历史的关联网络与当前的关联网络进行融合。