图分析与保险欺诈、信用卡欺诈、增值税欺诈

导读

各行各业都在采用图分析来加强反欺诈能力，在本文中，将介绍如何借助图分析打击以下三种欺诈行为：

• 保险欺诈
• 信用卡欺诈
• 增值税欺诈

大型数据集中常常隐藏了犯罪分子留下来的线索。调查人员将各个部分的线索关联起来进行分析，揭露非法行动。

大多数反欺诈程序是将简单的数据点连接在一起，来检测可疑的行为。这些数据有用户的IP地址、居住地的取款活动、客户的贷款请求历史记录。

但这些反欺诈程序都无法进行更复杂的分析，因为复杂分析意味着要处理多层级的关系或数据类型。主要原因在于这些程序依赖的技术自身存在的缺陷及其创建的数据孤岛。如关系型数据库可以高效地存储和分析结构化数据，但其基础数据模型使数据分散在多个表中，想要将这些数据关联起来变得很困难。

近年来出现的图数据库就是为解决这样的困境而设计的。

图数据模型特别适合存储和组织关联数据。连接关系信息被存储起来，并构建基本索引，从而使关联数据的调查变得更方便。

在这篇文章中，我们回顾了三种常见的欺诈方案，并探讨了图分析方法如何帮助调查人员识别它们。

使用图分析打击的三种欺诈行为

保险欺诈

保险欺诈包括旨在欺诈保险程序的任何行为。从伪造交通事故到假死或夸大财产损失等等。

联邦调查局（FBI）估计，美国的保险欺诈每年造成400亿美元的损失。如，犯罪分子合作伪造包含难以证明人身伤害程度的道路交通事故（RTA）。这些欺诈团队包含多个犯罪分子，扮演着指挥、乘客、证人甚至是证明其受伤的医生等各种角色，或包含提出索赔的同案律师。

每天都有太多的索赔需要保险分析师亲自甄别

欺诈调查部门必须依靠简单的业务规则来识别可疑的索赔。但是，如果欺诈者有意避免出现异常信号（异常伤害、最近购买的保险单、低速行驶但造成严重伤害等），他们有可能不会被发现，并再次上演同样的戏码。

这就需要图谱技术的介入。

图谱技术将各种来源的数据置于同一个通用模型，有效避免了数据孤岛。研究人员可以同时查看所有数据，挖掘出欺诈者与其他对象的异常连接。这些可疑的联系可能是证人的妻子与两个相似的案件有关，或者医生的电话号码与另一名RTA索赔涉及的指挥人的电话号码相同，等等。

图可视化和分析平台（例如Linkurious Enterprise）使调查人员从“全局”角度去分析，更快检测到可疑信号，识别异常连接来检测保险欺诈。

上面是一个示例的图可视化

我们可以在其中识别出车祸保险欺诈行为的异常模式之一：两名客户（蓝色节点）提出了三个索赔（绿色节点）。我们可以识别出一个通过个人信息（例如电话（棕色节点），电子邮件（粉红色节点））与三个相关客户联系在一起的网络，每次涉及的律师都相同（绿色节点）。他们可能正在使用被盗或伪造的身份，提出欺诈性索赔。

信用卡欺诈

信用卡欺诈的通常模式为，犯罪分子盗取信用卡信息并进行未经授权的交易。

犯罪分子在ATM或实体商店的销售点（POS）终端使用被盗或伪造的信用卡。2018年，美国有4,580万张卡受到侵害。在使用较安全的基于芯片的卡后，信用卡欺诈仍然是一个主要欺诈手段。

一般地，犯罪分子会通过以下方式进行操作：

• 在自动柜员机或加油站上设置盗取磁卡信息的装置，以窃取存储在卡磁条中的详细信息；
• 将窃取的卡信息复制到伪造卡中；
• 使用伪造卡在银行的ATM取款，在商店购买商品或礼品卡；
• 持卡人注意到其银行帐户中有异常活动，并通知授权机构。

这些情况是图谱技术应用的完美案例。传统技术不允许创建异构数据的“大图”，但图谱技术将数据（持卡人，交易，终端和位置）链接在一起形成数据模型。

在给定区域里存在大量的信用卡欺诈案件时，无论数据集有多大，图技术都可以通过突出显示各案件中的公共链接，来帮助确定共同泄露点。

因此，信用卡欺诈是图分析可以帮助检测和打击的另一种欺诈类型。

上面是一个图可视化示例，用于识别常危害点：客户端（蓝色节点）报告欺诈性购买（橙色节点）。我们可以通过连接来识别公用ATM（紫色）--在卡被盗用之前在哪里取款。

增值税欺诈

循环骗税，也称为增值税欺诈，是在另一个司法管辖区初次购买免增值税的商品销售过程中诈骗的增值税。就最近的案例显示，该反欺诈方案难以及时确定，损失可能非常巨大。

2018年，单个增值税欺诈组织给欧洲经济造成的损失超过6000万欧元。该犯罪组织通过大量空壳公司网络在线销售产品，并制作虚假发票进行增值税欺诈。这是常见的循环骗税欺诈的方式：

• A公司出售商品给B公司，免增值税
• B公司将商品卖给C公司，收取增值税
• C公司出售商品并向A国的税务机构要求退还增值税

这些计划错综复杂，交易迅速，以免引起怀疑。为了弄清罪犯所隐藏的层次，调查人员需要对情况进行概述。另外，图谱技术可以帮助将各种数据类型关联在一起，以更好地了解财务状况。

然后，诸如Linkurious Enterprise之类的平台利用图数据库灵活查询语义的特点，为诈骗模式查找提供支持。研究人员在庞大的关联数据集合中搜索表示循环骗税的模式：例如，两个不同国家的公司与新成立的中介公司在短时间内发生了多次交易。通过平台，调查人员可以监视标记的交易模式并评估潜在的循环骗税欺诈行为。

上图是一个可视化示例，用于识别增值税欺诈中的交易链：公司（蓝色节点）及其上级组织（标志节点）出售不含增值税的商品，并通过欧盟与非欧盟国家之间复杂的销售层级收回增值税。

本文翻译自Linkurious公司的博客分享。仅供学习与参考！ 原文地址：https://linkurio.us/blog/3-fraud-graph-analytics-help-defeat/