扫描分享
本文共字,预计阅读时间。
基于银行多年积累的海量内部数据,建立了一个基于顶象关联网络方案的智能风控系统。能够直观了解网内存在的欺诈团伙、涉案资金,方便审批人员定位与决策;能够及时而客观的分析存在的欺诈风险、欺诈占比、欺诈团伙来源等,随时掌控全行的风险态势。
参赛单位:北京顶象技术有限公司
案例名称:基于关联关系图谱的的智能风控体系
案例简介:
基于银行多年积累的海量内部数据,建立了一个基于顶象关联网络方案的智能风控系统。能够直观了解网内存在的欺诈团伙、涉案资金,方便审批人员定位与决策;能够及时而客观的分析存在的欺诈风险、欺诈占比、欺诈团伙来源等,随时掌控全行的风险态势。
创新技术/模式应用:
1、建立业务全生命周期的关系网络:以图数据模型重新抽象业务流程和组织业务数据,构建复杂的人(身份证)、设备、手机号码、银行账户、业务订单和地址等实体之间的关系,并借助关系网络可视化技术,将检索的复杂关系进行可视化展现。
2、弥补规则策略和有监督学习的不足:当前反欺诈以基于流计算的规则策略和有监督机器学习模型为主,基于流计算的规则策略属于专家经验的应用,而有监督学习模型则对数据样本的打标要求较高,这两者各有缺陷。图数据挖掘算法有大量分析方法和图算法可以借鉴,可用于异常结构的检测中。同时图的半监督学习算法可以利用少量欺诈节点标签,结合图的关系结构信息,概率推断其他节点实体的欺诈概率。图算法和半监督学习算法可以作为规则策略和有监督学习的互补方案,补足原有反欺诈方法的短板。
3、进一步提升有监督学习模型效果:关联网络可基于无监督学习假设的图算法,挖掘异常团伙,并用于有监督学习模型中,提高有监督学习模型的效果。
4、有效防控团伙性欺诈:当前银行的大部分欺诈风险检测以个案为主,如判断一笔交易或者一个账户的欺诈和洗钱风险,对威胁更高的团伙性欺诈防控不足,通过关联关系进行传播扩散, 关联网络能够发现更多风险关系和节点。
项目效果评估:
项目系统自上线以来,截止到2019年9月,累积识别的高危团伙数1200个,涉及风险敞口4.4亿。每日进行团伙识别跑批时涉及百万级别的申请数据和上亿级别的交易数据,平均用时3小时。从业务排查结果看,识别的风险团伙经业务确认为风险客户的平均比例56.3%,在实际业务风险防控方面初显成效。
同时,沉淀下四个成果:
1、构建了立体的客户关系网络体系:对银行客户申请、还款、交易、设备等数据进行清洗和分析,深度挖掘数据之间的关联关系。构建以客户实体为节点,各类关系为关系边的动态关联关系图谱。
2、实现了可视化关联关系的展示与查询:基于底层构建的关联关系图谱,以直观的方式在可视化工作平台展示客户的关联关系,便于审批人员直观、快速处理复杂网络。
3、对团伙欺诈风险能够有效监测、预警与防控:借助构建的关联关系图谱,通过规则或模型对可疑欺诈团伙进行监测、预警与防控。
4、建立了数据模型平台:以 Xintel智能建模工具实现快速建立模型、分析数据的功能,为防范团队欺诈场景的扩展打下基础。
非常感谢您的报名,请您扫描下方二维码进入沙龙分享群。
非常感谢您的报名,请您点击下方链接保存课件。
点击下载金融科技大讲堂课件本文系未央网专栏作者发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。
本文为作者授权未央网发表,属作者个人观点,不代表网站观点,未经许可严禁转载,违者必究!首图来自图虫创意。
本文版权归原作者所有,如有侵权,请联系删除。首图来自图虫创意。