TigerGraph 随身听第12期:如何利用图分析更好地检测团伙欺诈?

提到团伙欺诈,你首先想到的是什么呢?
是热搜上经常出现的欺诈新闻?还是近期接到的欺诈电话?除了这些,我们日常比较容易看到的欺诈行为。在我们看不见的地方,发生着损失更大的金融欺诈犯罪。这些欺诈行为已经严重地影响到了人们的生活和工作,而这背后更是造成了巨大的经济损失。
我们看到很多文章或话题也都是基于“日益严重的欺诈问题”这一前提。有证据表明团伙欺诈在疫情期间上涨了 30%,听起来这是一个很大的数字,对吧?但事实上,很难真正评估金融欺诈犯罪的实际严重程度。
新冠疫情让人们的生活和工作更加网络化。尤其是居家隔离期间,一切交易都在网上。这也让欺诈团伙有了可乘之机。
而传统形式的金融犯罪在这种情况下可能相对会减少。所以当我们谈论金融犯罪时,我们很少再提及贷款经营者,我们谈论的是非常有组织的团伙欺诈,他们会交换信息、共享和销售信息,并对存在已知漏洞的特定机构进行战略攻击。这是相当复杂的犯罪行为,当欺诈团伙发现某个漏洞时,欺诈行为会突然开始出现,并迅速成为一个大问题。
在欺诈日益严重的情况下,零售银行业务几乎没有盈利,欺诈会直接影响金融机构的底线和盈利能力。在过去信用卡欺诈可能是这样的——有人偷了你的信用卡或复制你的信用卡,并以你的名义购物。但是现在你会发现,这些欺诈团伙已经转移到网上,而且使用合成身份欺诈要比传统欺诈复杂得多。他们会在不同的人身上获取不同的数据,也许它是一个身份号码,也许是你知道的电话号码或地址。他们混合和匹配这些数据,以创建一个虚构的人,但从数据上看,所有的元素都是真实的,因此他们可以不断的尝试为这个虚构的人申请开户或申请信用卡,而这一切都在网上完成。
一旦欺诈团伙设置了合成身份,进行了几次交易,他们就获得了信用评级,之后他们就可以申请信用卡或贷款。一旦他们收到款项,只需要关闭帐户就可以。而这个过程,只有银行受到影响。
欺诈除了对金融机构的直接影响,我们也发现欺诈与客户体验之间存在直接关联。
传统的系统还有用吗?
在过去的几年里,很多银行逐渐部署了新系统,用于检测异常交易或可疑客户,这对反欺诈产生了重大影响,从那时起银行一直在磨练这些模型,用数据改进它们并调整算法,引入新的机器学习算法。但是现在随着变化的步伐加快,欺诈正在变得更加复杂、更加专业化。
再看这些系统,它们都非常擅长捕捉去年、上周、或昨天的欺诈行为,因为它已经针对已发生的欺诈行为进行了训练。企业正在努力尝试检测越来越多的欺诈交易,但它绝不仅仅是说可以由一台更大的计算机或更多的人力来解决,而是需要更有效的解决问题的方式。我们发现,很多系统的解决方式只是在某种程度上增加误报的数量而已。而这又会直接影响到客户满意度。因此我们需要找出更好的折中的方案。
而这里,图就可以发挥它的优势,因为TigerGraph图技术非常擅长理解事物之间的关系。
作为欺诈者,一定会努力隐藏与不同欺诈账户有关系的事实。但无论如何隐藏,我们都可以通过图技术挖掘出其中的关系,比如使用欺诈者之前拥有的相同信息的连通性,并真正在机器学习模型中使用它的连通性,这样,就可以很大程度地提高对欺诈的预防。
当然这只是说明这样的场景需要用到图技术,但这并不是要替换企业用来解决欺诈问题的现有工具,我们不需要从头改变企业现有的系统。而是,我们会尝试找出一种最佳方案,与企业当前的平台合作,从而改进欺诈检测,不仅用于实时检测,还可以用于预测分析。比如,我们可以先欺诈团伙一步,更早地发现系统漏洞,从而及时解决漏洞,避免巨大损失。再比如,我们可以通过图技术让机器学习模型更精准,从而针对一些新的欺诈事件,调查人员可以更快、更直观地获取信息,更快地理解并找出解决方法。