金融行业反欺诈解决方案
电子商务欺诈的七种类型
2017年由于医疗保险和医疗补助欺诈性索赔造成的损失
美国金融服务公司每欺诈1美元就会花费2.67美元
为何要进行反欺诈？
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。
基于关系型数据库的传统解决方案可行吗？
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（如身份证号、姓名、电话和实际地址）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，而这通常需要结合来自第三方来源的信息。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。
TigerGraph如何为企业打造反欺诈解决方案？
通过深度关联分析检测欺诈
以一个难以检测的医疗保险欺诈为例，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。
为了检测其中的隐藏关系，TigerGraph 通过8 次跳跃来执行深度关联查询，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，可以准确地查找到串通。
通过实时分析检测欺诈
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都会遭受更多损失。TigerGraph的实时反欺诈解决方案可以解决这一挑战。
以中国移动某省公司为例，该公司使用 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，机器学习模型没有足够的训练数据，导致无法提供高准确性的欺诈检测。
拥有原生并行架构的 TigerGraph 专用于解决这一挑战。同样以中国移动某省公司的电话欺诈检测为例，TigerGraph 对每部电话创建了超过 118 项特征属性，通过对 4.6 亿部电话相关联属性的分析，将这些电话区分为可信号码或嫌疑号码。 与此同时，它新产生的 540 亿条数据，可以作为训练数据为机器学习算法的自我提升提供支持。 这使得通过机器学习进行欺诈检测的准确性大幅提高，并同时降低了误报率和漏报率。
