大數(shù)據(jù)技術的興起和普及,正深刻改變著當前的金融生態(tài)和金融格局。伴隨欺詐手段和工具的多樣化,金融欺詐呈現(xiàn)組織化、團伙化、隱蔽化的新趨勢,原有反欺詐規(guī)則已然無法適應欺詐風險由個人欺詐轉(zhuǎn)向團伙欺詐的新形勢,欺詐風控策略理念和思路需要提升至更新、更深入的階段。關系網(wǎng)絡的構建與挖掘,為新形勢下的欺詐防控提供了新思路。
近日,邦盛科技知識圖譜業(yè)務專家孔慶鑫在線分析了知識圖譜在金融反欺詐領域的應用,并結(jié)合案例對反欺詐防控策略進行了分享。
業(yè)務背景:傳統(tǒng)反欺詐的難點
目前金融反欺詐是一個很火熱的話題,而且呈現(xiàn)出一種組織化、團伙化的新趨勢,其中一個很重要的問題是信息不對稱,很難去驗證信貸客戶信息哪些是真實的,哪些是經(jīng)過包裝的,這會導致很多問題。比如銀行立項申請時,因為不知道客群真實情況,可能會通過提高要求來控制通過率,雖然有效,但是是一把雙刃劍。
2022 年政府工作報告中也提過,普惠金融會進一步擴展,客群也會進一步下沉到一些農(nóng)村地區(qū),可能面臨的都是沒有往期征信記錄的“白戶”。還有一些比較傳統(tǒng)的欺詐手段像信用包裝、中介代辦、內(nèi)外勾結(jié)等,一些中介在包裝信用卡或者信貸進件時,就針對某幾家銀行,因為他知道那幾家銀行的底線和紅線,只要不去觸碰就能貸得出來;時間再久一點的話,他可能還會知道怎樣做貸款額度會高一些。
傳統(tǒng)反欺詐主要依靠專家規(guī)則,但像身份證號、銀行卡流水這些東西其實偽造成本很低,對于一種群體性的、大批量的欺詐并沒有一個很好的管控手段。
圖譜賦能:智能反欺詐的實現(xiàn)路徑
智能反欺詐手段的發(fā)展路徑:最底層的是專家規(guī)則,即風控專家通過經(jīng)驗設置一批規(guī)則,然后調(diào)整觸發(fā)條件,在通過率和拒絕率之間找到一個業(yè)務上的平衡點。
但專家經(jīng)驗很難覆蓋所有風險,所以通常會做一個機器學習建模去防控整體風險,然后再用專家規(guī)則去補充,即專家規(guī)則加上機器學習模型搭配互補。但就目前的經(jīng)驗來看,由專家過渡到機器學習模型,建模這一步會面臨很多的問題,第一是樣本量不足;第二是樣本空間增長有限,因為貸款或信用卡申請大概都會有那么 6～7 種方式,落到最后都是需要人工檢驗的,所以說增長空間很有限。
因此,需要運用關聯(lián)圖譜去破解信息不對稱的問題。因為無論是團伙還是中介欺詐,都會有一個批量進件的行為,圖的可視化手段可以去抓取團伙樣本,而且很可能一抓就是幾十個到上百個進件——這樣其實對于樣本補充是個非常有效的手段。
另外,圖譜還可以進行一致性的檢驗,比如說多方面的信息來源可以打破信息的不對稱性,圖做出來后還會從關系圖的維度去展示,等于做二次校驗。舉個實際的例子,比如說多個申請共用相同的信息、相同的手機、相同的 IP,這就屬于團伙的情況。
為了解決這種情況,我們引入圖譜,并從中抽象出一些關系維度的圖規(guī)則,對于原有的專家規(guī)則體系做補充。另一方面我們也抽取圖特征,對既定的機器學習模型做一個補充,提升機器學習模型識別團伙欺詐的能力,同時進一步去豐富黑樣本的標簽。
所以說專家規(guī)則、機器學習模型、圖譜這三者具備之后,就能夠構造一個有效的生態(tài)閉環(huán),可以實現(xiàn)反欺詐效能上的互補。
反欺詐領域應用
針對目前關聯(lián)圖譜在反欺詐的具體應用,大概有以下幾個方面:
申請圖譜:比如如何在信貸、信用卡申請中去識別團伙欺詐性進件。組團有一個特點就是信息會被團隊成員共享,那在圖譜的可視化查詢上,就會發(fā)現(xiàn)出很多關聯(lián)關系。較常見的可能就是從身份證、手機號,設備指紋、郵箱地址等這些維度去做一個關聯(lián),先去看這些數(shù)據(jù)有多少個共性,再就是結(jié)合一些可視化手段去分析具體的欺詐手法。
交易圖譜:涉及到多層次的轉(zhuǎn)賬關系,主要是看資金最后的流向、受益人是誰。現(xiàn)在監(jiān)管比較關注的是涉賭涉詐的問題,也是我們主抓的一個方向。我們在這方面有很多客戶案例,通過監(jiān)管下發(fā)的名單或內(nèi)部的規(guī)則模型識別出可疑交易,這個過程中可能還會結(jié)合歷史流水,把一些歸集的賬戶擴散到 n 層,過程中可能會使用一些圖探索手段,也會基于圖譜平臺,去做一些存量排查,比如說增量防控。
企業(yè)圖譜/內(nèi)控圖譜:現(xiàn)在企業(yè)業(yè)務會存在一些交叉,外部風險對企業(yè)的影響也越來越大,用圖譜可以勾勒出一個企業(yè)風險的全貌,結(jié)合外部風險點的引入,就能盡早預判外部風險對企業(yè)的影響。內(nèi)控圖譜更多是涉及員工的道德或操作風險,比如誤操作或沒有按照規(guī)章制度做某些業(yè)務。道德風險更多發(fā)生在員工和企業(yè)的異常資金往來,比如非法集資或資金挪用。
防控核心是用圖譜去查看員工的實際控制賬戶,因為就像銀行員工都很熟知銀行的業(yè)務,很少有員工拿自己的戶頭進行一些犯罪。對這些控制賬戶的識別可以通過圖譜的一些探索手段,比如說親屬的賬戶。我們有個股份制銀行的案例,這個案例最后定位到了員工女朋友的賬戶,因為我們在圖探索中發(fā)現(xiàn),很多資金實際都流向了女朋友的賬戶。如果用傳統(tǒng)手段來看的話,是很難去發(fā)現(xiàn)的。
洗錢圖譜:不同時期會衍生很多手段,現(xiàn)在比較流行的地下錢莊還有跑單平臺,它會把用戶拉進來,把涉案資金隱藏在跑單用戶每天正常的消費交易流水上,但這其實是有一個固定模式的。怎么在圖譜上刻畫和獲取業(yè)務經(jīng)驗、制定圖規(guī)則來進行實時的監(jiān)控和篩查,也是邦盛作為圖技術平臺對業(yè)務的關鍵賦能方向。
車險/運維圖譜:一般我們分析這些領域時會結(jié)合初始化網(wǎng)絡,進行點邊結(jié)構的設計,之后找到一個數(shù)量相對合適、聯(lián)系比較緊密的子圖,再結(jié)合業(yè)務專家經(jīng)驗,進行一些探索性分析性的工作。
典型應用場景
貸后資金流向
這里也簡單列舉了一些具體的應用場景,第一個就是貸后資金流向問題。
我們可以通過圖譜重點篩查這些經(jīng)營類、消費類的貸款,追蹤它是否違規(guī)流入房市、股市等。這個過程中我們會利用圖譜的穿透能力去計算轉(zhuǎn)出資金的金額還有比例,這些確定后就能很方便地去敲定風險和違規(guī)性質(zhì),提供排查依據(jù)。
監(jiān)管部門目前對于互聯(lián)網(wǎng)信貸都遵循圖上說的“三個辦法一個指引”這個原則,所以通過圖譜建立實時風控,關注貸后放款這些關鍵環(huán)節(jié)和資金流入的重點領域是我們主要做的一個事情。
接下來可以展示一下具體手法,比如放貸后直接流入黑名單賬戶,或者解除關聯(lián)后從自己賬戶轉(zhuǎn)移到非自己名下,但可能是實際控制的一個賬戶,再往樓市、股市這些敏感行業(yè)投資理財。這些都是可以通過圖譜,結(jié)合資金的具體形態(tài)來分析的,因為這些行為在圖譜上會展示出一個非常明顯的發(fā)散或歸集。
這種模式用以往的專家規(guī)則是很難進行刻畫的,因為最多的情況下就只能做到一維,最多也就到二維關系,而圖譜更善于進行多維度關系的篩查。在海量的交易結(jié)構里面,我們也能發(fā)現(xiàn)一些模式化的結(jié)構,比如上圖可以看到大概 4-5 個端,里面涉及一些集中轉(zhuǎn)入、分散轉(zhuǎn)出,還有類似樹枝、螞蟻巢穴一樣的鏈式交易結(jié)構,這都是貸后異常的資金模式。
通過圖譜的展現(xiàn)化手段,結(jié)合業(yè)務知識,很多情況下我們一眼就看出它是有問題的。至于具體問題在哪里則可以通過圖譜提供的一些功能,比如說 k 度查詢或重要節(jié)點的發(fā)現(xiàn)算法去查看。
涉賭涉詐場景
第二個大家比較關心的就是涉賭涉詐場景。這個場景下,我們用圖譜做了很多資金量的分析,還有甄別資金轉(zhuǎn)移過程中的手法。當然,我們還會結(jié)合賬戶自身的特征,在圖譜上觀察有沒有分散的轉(zhuǎn)出和轉(zhuǎn)入,或者交易對手成批地更換。結(jié)合這些特征,就可以分析賬戶在整張交易網(wǎng)絡中的作用。
以上涉賭涉詐和貸后資金流向這兩個案例,都存在一種大量的轉(zhuǎn)賬關系圖譜。其實,圖譜可視化最大的價值就在于還原真實的交易場景,這些是以往在核查單觀察,或者在系統(tǒng)上一步一步點擊流水不容易觀察到的。
左邊那幅圖其實就是涉賭涉詐資金的轉(zhuǎn)移過程,最左邊是賭徒的充值,上游這幾步可能會重復多個層級,到了中游,各種空殼企業(yè)會進行各種各樣的資金搬運,夾雜著一些空殼企業(yè)的分批啟用,或者跨行轉(zhuǎn)賬行為,造成資金鏈路的進一步模糊;之后就是資金洗牌的最后一步,錢會轉(zhuǎn)移到一些個人賬戶進行分散提現(xiàn),或者直接就在游戲/直播平臺進行一些打賞。總之,下游洗白的方式是多種多樣的,但通過圖譜再結(jié)合一些特征,還是能夠進行監(jiān)控的。
保險團伙反欺詐
第三個應用方向是保險排查,比如車險或醫(yī)保反欺詐。車險主要是串謀式的索賠欺詐,通過監(jiān)測還有關聯(lián)共享的身份信息等,就能比較好地跨越數(shù)據(jù)孤島,發(fā)現(xiàn)他們的團伙。
再有是醫(yī)保欺詐,我們一般會更多地關注醫(yī)患或供應商不正當?shù)年P系,一旦在某個藥品或疾病上出現(xiàn)了大量的離散值,就代表是欺詐行為——這是以往判斷個體欺詐的常用辦法,但現(xiàn)在團伙欺詐問題非常嚴重,比如幾十個人都通過個別支付賬戶去買相同的藥品;還有賬戶層面的聚集以及很多其他的共性。結(jié)合圖分析和算法,都可以識別這些團伙案件行為。
總結(jié):用圖譜反欺詐的優(yōu)勢
分享完三個應用場景,關于圖譜反欺詐的優(yōu)勢點,主要列舉了 4 點。第一點:關聯(lián)分析,就是指人為主動去探索發(fā)現(xiàn)這些可疑的特征,然后利用圖譜進行一些可視化的關聯(lián)。這就是我們業(yè)務人員主動去使用圖譜工具進行可視化的探索,然后結(jié)合不同的業(yè)務領域,比如洗錢、信用卡申請、信貸申請等在業(yè)務圖譜上展示的可疑鏈路去發(fā)現(xiàn)一些可疑點,當然,不同領域可疑點肯定是不同的,但經(jīng)常使用的業(yè)務人員一定會帶有行業(yè)敏感性。
第二點:圖規(guī)則,這點更多是用于增量的監(jiān)控。和以往專家規(guī)則不同,圖規(guī)則是用圖探索的手段關聯(lián)知識對比后得出一些結(jié)論,這個過程就是我們從關系的維度去判定圖規(guī)則,然后系統(tǒng)主動實時地去排查風險。
第三點:模式分析,我們近來叫做同模型,因為很多欺詐模式都有一個固化的模式,比如信用卡套現(xiàn)。這些固化的模式,完成分析之后就可以用圖語言寫到圖庫里進行一個遍歷查詢。相對于上面介紹的圖規(guī)則,它是一種存量的篩查方式。
第四點:社團分析,因為之前說要想建模,很可能會缺少一些黑樣本、黑標簽的數(shù)據(jù),社團分析其實是一個非常好的功能,它可以通過算法,結(jié)合樣本標簽,發(fā)現(xiàn)欺詐團伙。
關聯(lián)分析、圖規(guī)則、模式分析,還有社團分析,這 4 點是覆蓋了實時、準實時還有事后的三個方式,既是圖譜用于反欺詐的主要功能,也是我們目前的優(yōu)勢能力,我們很多家客戶目前都在應用。
在服務實踐中,知識圖譜平臺如何構建?平臺具有哪些功能?如何落地業(yè)務應用?這些內(nèi)容將在下期娓娓道來,歡迎持續(xù)關注。
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(jù)。
