企业智能风控
使用TigerGraph进行风险评估和监控
FICO和相关征信机构未涵盖的美国人口
迄今为止最大OFAC罚款额度
估计COVID-19导致的全球GNI损失
企业为何要进行风险评估管理？
随着相互关联的全球金融市场在规模和复杂性上快速增加，风险评估和监控所面临的挑战变得日益艰巨。中国、印度及亚洲其他地区每年有数以亿计的消费者进入中产阶层，其中大部分人的金融交易历史记录有限，未被任何信用机构所跟踪。
在美国，2600万消费者未被 FICO 和相关信用机构覆盖，截至2018 年，这一数字已增长至全国人口的 15%。这给信用风险评估和监控带来了独特的挑战。监管形势一年比一年复杂，美国海外资产控制办公室 (OFAC) 对每家被制裁银行开出的罚款金额从 12,500 美元到超过 89 亿美元不等。
因此，监管风险评估和监控的重要性不断增加。一些复杂的金融工具数量激增，如信用违约互换和抵押担保证券，不仅增加了流动性风险和监控的复杂性，而且一旦出错，就会付出数以万亿的代价。2008年的经济大衰退就是很好的例子，由于次级抵押贷款流动性风险管理不善，最终给全球增长造成了令人震惊的 2 万亿美元损失，威胁到了全球市场的稳定性。
基于关系型数据库的传统解决方案可行吗？
现有风险评估和监控系统几乎全部基于关系型数据库而构建，后者使用单独的表来存储诸如交易对手、帐户、交易、利益相关者、金融工具和衍生品等信息，每种业务实体类型各一个表。关系型数据库是很好的数据索引和搜索工具，非常适合支持交易和执行基本的统计分析。
但是，关系型数据库不利于在表或业务实体之间进行连接，难以从这些跨越多达 10 层或更多层的交易、帐户和人员的关系中发现隐藏的关系和风险。使用关系型数据库时，为找出潜在的关联，分析师需要将很多大型表连接起来运行查询。这种查询可能需要数小时甚至数天才能完成，导致几乎不可能对参与方和交易之间的联系进行有意义的分析。
评估和监控风险还需要超越个人帐户或人员内部数据的局限，与来自 OpenCorporates 和汤森路透 World-Check 数据库等包含政治敏感人物 (PEP) 和政府制裁实体信息的第三方信息源进行对接。就信用风险评估来说，这意味着整合各种非传统数据源，如移动钱包和电子商务交易以及小额贷款还款。关系型数据库由于自身模式僵硬，因此不适合将内部数据与多个外部数据源轻松对接。
TigerGraph如何为企业打造智能风控解决方案？
使用TigerGraph图分析进行信用风险评估和监控
以金融科技初创公司IceKredit 为例，该公司使用 TigerGraph 处理所有财务历史记录，将传统数据源与新数据源结合，如中国微信和京东等电子商务网站上的交易，以及支付宝、Venmo 和 Paypal等移动钱包记录，还有亚洲 CashBUS 和 Crowdo 等小额贷款和P2P 借贷服务提供商的还款记录，在此基础上计算出 360 度信用风险视角。
除此之外，IceKredit成功地使用TigerGraph图分析发现数据中隐含的关系和联系，实时确定和更新风险评级，并协助调查潜在的金融犯罪行为，提高调查效率。
使用TigerGraph图分析评估和监控合规风险
举例来说，一家银行收到 ABC 公司开设新公司帐户的申请。在客户尽职调查 (CDD) 期间，该公司填写了相关信息，包括他们的街道地址和三名高管：Jim Smith、Wei Zhang 和 Maria Garcia。TigerGraph 通过关联识别出 ABC 公司高管 Wei Zhang 为另一家公司XYZ 的签字人，而且，一名当地政客被列为后者的显著利益相关者或所有人。通过这些信息，TigerGraph将这名当地政客与包含政治敏感人物 (PEP) 信息的第三方数据库进行了关联，而且还发现该政客的街道地址之一与他们账户申请上的 ABC 公司地址相同。这一切都增加了与 ABC 公司相关的风险，系统立即发出警报，要求银行工作人员做出进一步调查。
