Bedrägeriupptäckt med hjälp av grafdatabaser

Banker och försäkringsbolag förlorar miljarder dollar varje år på bedrägerier. Traditionella metoder för att upptäcka bedrägerier spelar en viktig roll för att minimera dessa förluster. Men allt mer sofistikerade bedragare har utvecklat en mängd olika sätt att undgå upptäckt, både genom att arbeta tillsammans och genom att utnyttja olika andra sätt att konstruera falska identiteter. Grafdatabaser erbjuder nya metoder för att avslöja bedrägerieringar och andra sofistikerade bedrägerier med hög noggrannhet, och kan stoppa avancerade bedrägeriscenarier i realtid.

Även om inga bedrägeriförebyggande åtgärder någonsin kan vara perfekta, kan betydande möjligheter till förbättring uppnås genom att se bortom de enskilda datapunkterna, till kopplingarna som länkar dem. Ofta går dessa kopplingar obemärkta förbi tills det är för sent - något som är olyckligt, eftersom dessa kopplingar ofta har de bästa ledtrådarna. Att förstå kopplingarna mellan data, och härleda mening från dessa länkar, betyder inte nödvändigtvis att man samlar in ny data.

Betydande insikter kan hämtas från ens befintliga data, helt enkelt genom att omformulera problemet och titta på det på ett nytt sätt: som en graf. Till skillnad från de flesta andra sätt att se på data, är grafer utformade för att uttrycka släktskap. Grafdatabaser kan avslöja mönster som är svåra att upptäcka med traditionella representationer som tabeller. Ett ökande antal företag använder grafdatabaser för att lösa en mängd olika anslutna dataproblem, inklusive upptäckt av bedrägerier.

Den här artikeln diskuterar några av de vanligaste mönstren som förekommer i tre av de mest skadliga typerna av bedrägerier: bankbedrägerier från första part, försäkringsbedrägerier och e-handelsbedrägerier. Även om dessa är tre helt olika typer av bedrägerier, har de alla en mycket viktig sak gemensamt: bedrägeriet bygger på lager av indirektion som kan avslöjas genom ansluten analys. I vart och ett av dessa exempel erbjuder grafdatabaser en betydande möjlighet att utöka ens befintliga metoder för att upptäcka bedrägerier, vilket försvårar undandragande avsevärt.

Se även: 4 sätt att maximera hävstångseffekten i en Microsoft-affär

Exempel 1: Bankbedrägeri från första part

Bakgrund

• Förstapartsbedrägerier involverar bedragare som ansöker om kreditkort, lån, övertrassering och osäkrade bankkrediter utan avsikt att betala tillbaka dem. Det är ett allvarligt problem för bankinstitutioner.
• Amerikanska banker förlorar tiotals miljarder dollar varje år1 på grund av bedrägerier från första part, vilket beräknas stå för så mycket som en fjärdedel eller mer av de totala konsumentkreditavdragen i USA. Det uppskattas vidare att 10–20 % av osäkrade osäkra fordringar hos ledande amerikanska och europeiska banker är felklassificerade och är faktiskt förstapartsbedrägeri.
• Den överraskande omfattningen av dessa förluster är sannolikt resultatet av två faktorer. Den första är att förstapartsbedrägerier är mycket svåra att upptäcka. Bedragare beter sig mycket på samma sätt som legitima kunder, tills det ögonblick de "går ut", rensar alla sina konton och försvinner omedelbart.
• En andra faktor – som också kommer att utforskas mer i detalj senare – är den exponentiella karaktären av förhållandet mellan antalet deltagare i bedrägeriringen och det totala dollarvärdet som kontrolleras av operationen. Denna sammankopplade explosion är en funktion som ofta utnyttjas av organiserad brottslighet.
• Men även om denna egenskap gör dessa system potentiellt mycket skadliga, gör den dem också särskilt känsliga för grafbaserade metoder för att upptäcka bedrägerier.

Ladda ner för att läsa hela vitboken om Fraud Detection: Fraud Detections med hjälp av grafdatabaser