新浪新闻客户端

案例:看知识图谱在金融团伙反欺诈的落地应用

案例:看知识图谱在金融团伙反欺诈的落地应用
2022年09月07日 14:13

  今年年初,人行印发《金融科技发展规划(2022-2025)》,意在推动中国金融科技从“立柱架梁”全面迈入“积厚成势”新阶段。《规划》强调高质量推进金融数字化转型,制定企业级数据规划和发展战略,稳妥推进业务由经验决策型向数据决策型转变。运用联合建模、图计算、数据可视化等技术手段,对海量多样化多维度数据资源进行价值挖掘和关联分析,建立面向用户、面向场景的大数据知识图谱和综合分析能力。

  基于人行的关联挖掘发展思路,邦盛科技一直致力于图谱反欺诈产品的深专,关系网络的构建与挖掘,也为新形势下的欺诈防控提供了新思路。针对团伙欺诈行为典型的关系型风险挖掘,知识图谱有着天然优势。单点与多点的风险识别问题被图转化为基于固定点的k度查询统计与社区划分、异常子图挖掘问题。在反欺诈领域,如申请反欺诈、交易反欺诈、企业内控、反洗钱/套现、车险反欺诈等都有广泛应用价值。

  与个体欺诈相比,团伙欺诈在非常复杂的关系网络里隐藏,不容易被发现。今天我们来看看知识图谱如何帮助银行解决了信用卡申请团伙欺诈的难题。

  案例背景

  随着数字化转型深入,银行信贷业务开始线上化迁移,线上化的欺诈风险控制面临着更大挑战,加之客群营销竞争激烈,客群质量不断下沉,显性数据逐步减少,不管是个体欺诈风险还是团体欺诈风险,识别难度越来越大。受疫情影响,信用卡放贷不良率持续增高,还有互联网欺诈的团伙增多,这都给银行带来了大量资损。

  项目方案

  邦盛科技在项目实施中引入了图技术,帮助银行构建了可视化分析平台,业务人员可以进行欺诈行为的观察和分析调查工作。同时利用图谱的一些技术和探索功能,开发了针对团伙欺诈的图规则。由于在整个分析过程中会产生很多图特征,我们将图层端融合到了机器学习模型中,完成了原有机器模型的优化。

  欺诈数据初步探索

  想要出实际业务效果,会涉及到很多问题。在第一阶段整体数据探索中,数据怎么筛选,欺诈标签怎么定义,都是必要的处理过程。当然这个过程中,我们还会分析每个社团的每个团伙它的社会属性是什么,比如说这个是中介还是恶意的欺诈个人。

  关联关系设计

  图谱是一个工具,想要真正服务于业务,在有了界定标准后需要在图谱设计出关联关系,即什么样的节点可以入图,但这些节点并非越多越好。从服务国有行的经验来看,数据体量非常大,一旦增加节点,边和属性同步会带来几何倍增长,而实际中过多关系的维度,点边的展现,都会给业务人员在图的可视化查询和落地方面带来影响,所以第二阶段中根据实际业务场景定义图谱的点边关系。

  单维度规则建立

  第三阶段是从单维度的图规则到多维度的图规则,在大量的单维度规则中,我们主要考虑4个方面。第一共性关联;第二重合度;第三集中度;第四资金流向。

  多维度规则建立

  多维度规则是我们应对团伙欺诈的目标。基于之前单维度规则,我们按照特征重要性进行排序分类,按优先级顺序,结合业务考量,对单维度特征进行交叉组合。

  经交叉组合分析的团伙规则,根据规则效果并结合行内已有规则内容,最终确定采纳并开发上线。这背后涉及业务经验的输出,这个过程中挑选非常耗时。

  数据建模

  业务专家给出的特征连同图谱平台分析出的大量图特征,都会送到机器学习中进行训练,这给业务上带来的反欺诈效果,明显优于传统反欺诈效果。传统反欺诈更多考量统计类指标,如金额、时间等特征,很少涉及关系维度。

  引入关联图谱,用可视化的分析手段分析业务中的团伙欺诈手法,可以得到很多关键特征。在整个过程中行里核查人员了解分析了最新的欺诈手法,同时还会对既定的专业规则做调优,这其实是全方位的业务赋能。

  业务效果

  在整个项目中,我们通过使用图谱以及怎么落地到反诈策略,帮助银行欺诈率显著降低,黑样本发现倍数级,远超目标效果,给业务上带来了实实在在的效果。

  借助关联网络,金融机构能快速发现欺诈团伙,有效挖掘新型欺诈手段,增强未知风险的防范能力,进一步提高金融机构的风险管理的可靠性和准确率,也是目前满足监管要求、防控欺诈风险和优化客户体验的比较平衡的解决方式。

  (来源:新视线)

责任编辑:曹蕊

知识图谱

举报邮箱:jubao@vip.sina.com

Copyright © 1996-2022 SINA Corporation

All Rights Reserved 新浪公司 版权所有