今年年初,人行印發《金融科技發展規劃(2022-2025)》,意在推動中國金融科技從“立柱架梁”全面邁入“積厚成勢”新階段。《規劃》強調高質量推進金融數字化轉型,制定企業級數據規劃和發展戰略,穩妥推進業務由經驗決策型向數據決策型轉變。運用聯合建模、圖計算、數據可視化等技術手段,對海量多樣化多維度數據資源進行價值挖掘和關聯分析,建立面向用戶、面向場景的大數據知識圖譜和綜合分析能力。
基于人行的關聯挖掘發展思路,邦盛科技一直致力于圖譜反欺詐產品的深專,關系網絡的構建與挖掘,也為新形勢下的欺詐防控提供了新思路。針對團伙欺詐行為典型的關系型風險挖掘,知識圖譜有著天然優勢。單點與多點的風險識別問題被圖轉化為基于固定點的k度查詢統計與社區劃分、異常子圖挖掘問題。在反欺詐領域,如申請反欺詐、交易反欺詐、企業內控、反洗錢/套現、車險反欺詐等都有廣泛應用價值。
與個體欺詐相比,團伙欺詐在非常復雜的關系網絡里隱藏,不容易被發現。今天我們來看看知識圖譜如何幫助銀行解決了信用卡申請團伙欺詐的難題。
案例背景
隨著數字化轉型深入,銀行信貸業務開始線上化遷移,線上化的欺詐風險控制面臨著更大挑戰,加之客群營銷競爭激烈,客群質量不斷下沉,顯性數據逐步減少,不管是個體欺詐風險還是團體欺詐風險,識別難度越來越大。受疫情影響,信用卡放貸不良率持續增高,還有互聯網欺詐的團伙增多,這都給銀行帶來了大量資損。
項目方案
邦盛科技在項目實施中引入了圖技術,幫助銀行構建了可視化分析平臺,業務人員可以進行欺詐行為的觀察和分析調查工作。同時利用圖譜的一些技術和探索功能,開發了針對團伙欺詐的圖規則。由于在整個分析過程中會產生很多圖特征,我們將圖層端融合到了機器學習模型中,完成了原有機器模型的優化。
欺詐數據初步探索
想要出實際業務效果,會涉及到很多問題。在第一階段整體數據探索中,數據怎么篩選,欺詐標簽怎么定義,都是必要的處理過程。當然這個過程中,我們還會分析每個社團的每個團伙它的社會屬性是什么,比如說這個是中介還是惡意的欺詐個人。
關聯關系設計
圖譜是一個工具,想要真正服務于業務,在有了界定標準后需要在圖譜設計出關聯關系,即什么樣的節點可以入圖,但這些節點并非越多越好。從服務國有行的經驗來看,數據體量非常大,一旦增加節點,邊和屬性同步會帶來幾何倍增長,而實際中過多關系的維度,點邊的展現,都會給業務人員在圖的可視化查詢和落地方面帶來影響,所以第二階段中根據實際業務場景定義圖譜的點邊關系。
單維度規則建立
第三階段是從單維度的圖規則到多維度的圖規則,在大量的單維度規則中,我們主要考慮4個方面。第一共性關聯;第二重合度;第三集中度;第四資金流向。
多維度規則建立
多維度規則是我們應對團伙欺詐的目標。基于之前單維度規則,我們按照特征重要性進行排序分類,按優先級順序,結合業務考量,對單維度特征進行交叉組合。
經交叉組合分析的團伙規則,根據規則效果并結合行內已有規則內容,最終確定采納并開發上線。這背后涉及業務經驗的輸出,這個過程中挑選非常耗時。
數據建模
業務專家給出的特征連同圖譜平臺分析出的大量圖特征,都會送到機器學習中進行訓練,這給業務上帶來的反欺詐效果,明顯優于傳統反欺詐效果。傳統反欺詐更多考量統計類指標,如金額、時間等特征,很少涉及關系維度。
引入關聯圖譜,用可視化的分析手段分析業務中的團伙欺詐手法,可以得到很多關鍵特征。在整個過程中行里核查人員了解分析了最新的欺詐手法,同時還會對既定的專業規則做調優,這其實是全方位的業務賦能。
業務效果
在整個項目中,我們通過使用圖譜以及怎么落地到反詐策略,幫助銀行欺詐率顯著降低,黑樣本發現倍數級,遠超目標效果,給業務上帶來了實實在在的效果。
借助關聯網絡,金融機構能快速發現欺詐團伙,有效挖掘新型欺詐手段,增強未知風險的防范能力,進一步提高金融機構的風險管理的可靠性和準確率,也是目前滿足監管要求、防控欺詐風險和優化客戶體驗的比較平衡的解決方式。
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。
