反欺诈

TigerGraph 实时反欺诈

578
$
亿美元
2017 年因电子商务欺诈而造成的损失
13
$
亿美元
2017 年医疗保险和医疗补助欺诈
2.67
$
美元
欺诈 一美元造成的成本损失
商业挑战
传统解决方案
深度关联欺诈检测
实时欺诈检测
人工智能和机器学习
商业挑战
欺诈问题在各行各业日益严重,2017 年,仅电子商务损失一项就超过了 578 亿美元。对于欺诈交易中涉及的每一美元,金融服务业需要花费 2.67 美元来处理退款、费用、利息和人工。据估计,医疗保险欺诈金额每年达数百亿美元之巨。在2017 年,美国联邦政府起诉的医疗保险和医疗救助索赔欺诈的金额达 13 亿美元
传统解决方案无法达成目标
传统欺诈检测解决方案主要依赖于对单个业务实体的行为分析,例如客户、公民、设备、医生或医疗保健提供商,从其行为中发现异常模式。欺诈者越来越狡猾,他们建立合成身份网络,将合法信息(如社保号或身份证号、姓名、电话号码和实际地址)与该合成网络相结合。

他们使用通过合成身份创建的虚假帐户进行欺诈,每个欺诈者帐户在外观和行为上都与合法帐户非常相似,这极大增加了传统欺诈检测解决方案检测出欺诈的难度。检测欺诈需要超出个人帐户行为范围,随时间分析帐户组或实体之间的关系通常需要结合来自第三方源的信息。基于关系型数据库构建的传统欺诈解决方案在设计上无法解决这一挑战。
为什么选择将原生并行图数据库 TigerGraph 用于欺诈检测?
深度关联欺诈检测
以一个难以检测的医疗保险欺诈为例,该欺诈与阿片类药物成瘾治疗中心相关。一名医生指示他的绝大部分患者到当地一家阿片类药物或毒品成瘾治疗中心接受治疗。根据这名医生和治疗中心的可用信息,传统欺诈解决方案找不到任何异常。

而基于 TigerGraph 的解决方案能够通过第三方源(如Thomson Reuters 或 Dunn and Bradstreet)深入挖掘企业知识图,以找到戒毒中心的所有已知管理者以及公共域中列出的他们的当前和先前地址。管理者的一个先前地址与将患者指示到戒毒中心的医生的地址很近。

为了检测医生与管理者之间的这一隐藏关系,TigerGraph 通过8 次跳跃来执行深度关联查询,包括患者的门诊索赔数据、这些患者的阿片类治疗中心索赔,并将其与第三方知识存储库数据(如地址和电话号码)相结合来查找串通。基于关系型数据库构建的传统欺诈解决方案由于固定的模式而难以融合来自第三方的新数据源,并且需要与计算密集型数据库关联,因此无法实现深度关联分析。
实时欺诈检测
欺诈检测对时间有效性非常敏感。在检测到欺诈之前,每过去一分钟、一小时、一天,您的组织以及您的客户或公民都会遭受更多损失。TigerGraph的实时反欺诈解决方案以解决这一挑战。以中国移动山东分公司为例,中国移动山东分公司使用 TigerGraph 来分析预付费用户的呼叫模式,以实时检测电话欺诈。当潜在欺诈者呼叫时,用户将收到实时提醒,高可能性的欺诈呼叫将重定向到中国移动的呼叫中心以进行调查。
通过人工智能和机器学习改进欺诈检测
在电信总呼叫量、医疗和政府福利索赔数据或金融服务支付交易中,经证实的欺诈事件很少,不到 1%。因此,机器学习模型没有经证实欺诈活动的足够训练数据,无法学习并提高欺诈检测的准确性。拥有原生并行架构的 TigerGraph 专用于解决这一挑战。以中国移动山东分公司的电话欺诈检测为例,TigerGraph 通过分析用户之间长久以来的关系、确定老客户所有的正常电话和具有欺诈者嫌疑的非正常电话,创建超过118个基于图的特征。