对于金融服务机构来说，识别和阻止欺诈活动比以往任何时候都更加困难。
标准的反欺诈技术——例如偏离正常的购买模式——使用离散数据。 这对于抓捕单独行动的个人罪犯很有用，但是当涉及到检测诈骗团伙时，离散方法就不够了。 此外，许多离散方法容易出现误报，这会影响客户满意度并导致收入损失。
老练的犯罪分子不断改变策略，以规避传统解决方案的检测。 例如，他们使用合成账户来进行看似不相关的活动，而事实上他们是协调一致的。
一个罪犯可能会从十个不同的人那里窃取身份信息。 然后，罪犯将社会安全号码、地址、电话号码和电子邮件地址进行混合和匹配，以创建“新的”合成身份，然后用于开立银行和信用卡账户以及个人信用额度。
传统的欺诈检测解决方案不会标记这些帐户。 公司需要一种方法来追踪从一个账户到另一个账户的线索，以确定表面上看似不相关的活动实际上是如何关联的。
在这个关于Neo4j和金融服务的系列中，我们将关注今天的金融企业如何有效地解决行业中新出现的挑战。 在前几周，我们仔细研究了金融资产图、数据谱系和元数据管理。
本周，我们将深入了解金融欺诈检测。
越来越多的世界领先金融机构正在使用Neo4j来模拟和监控有关客户、账户、设备、位置和其他属性的数据，以识别使用合成和被盗身份的欺诈团伙的欺诈活动。
用传统的关系数据库技术揭示环需要将一个图建模为一组表和列，然后执行一系列复杂的连接和自连接。 这样的查询构建起来非常复杂，运行起来也很昂贵。 以支持实时访问的方式扩展它们带来了巨大的技术挑战，不仅随着环的大小增加，而且随着整个数据集的增长，性能也呈指数级下降。
相反，图形数据库是克服这些障碍的理想工具。 像Cypher这样直观的查询语言提供了一种简单的语义，用于检测图形中的欺诈环，在内存中实时导航连接，以便捕捉活动 碰巧。
下面的图表数据模型代表了数据在图表数据库中的实际外观，并说明了如何通过简单地遍历图表来找到欺诈环。
通过使用图形数据库运行适当的实体链接分析查询，并在客户和帐户生命周期的关键阶段运行检查，可以增强现有的欺诈检测基础架构以支持欺诈环检测，例如:
- 在创建帐户时。
- 在一次调查中。
- 当达到信用余额阈值时。
- 当透支发生时。
与正确类型的事件相关联的实时图表遍历可以帮助金融服务公司在欺诈交易发生期间或之前识别可能的欺诈环。
一家财富500强金融服务公司进行2。每月200万笔金融交易。 借助Neo4j提供的实时图形分析和简单的数据可视化，该公司的分析师每年可以阻止数百万起欺诈交易。
金融服务公司处理的大多数交易都是通过自动欺诈检测系统批准或拒绝的。 然而，一部分交易被提交给分析师进行人工审查。 在Neo4j之前，分析师查询了微软的SQL Server数据库，以评估客户信息以及来自外部供应商的丰富数据和相关客户的数据，例如欺诈集团的潜在成员。
根据事务请求，查询可能需要四个或更多级别的遍历来提取和分析信息。 查询速度很慢，返回的数据很复杂，分析师不得不查看这些数据——而等待转账的客户的时间已经不多了。 该公司需要一种更有效的方法来分析数据。
这将需要减少针对数据库处理欺诈检测查询所需的时间，并向分析师提供简单的数据可视化。 为了实现实时结果，开发团队需要一个优化的数据库来存储和遍历几个层次的关系。
Neo4j将互联数据实时带入公司架构，并提供数据可视化，使分析师能够做出快速、准确的决策。 该图揭示了以前未被注意到的新兴集群和关系，提高了实时欺诈检测的准确性。
每个客户现在可以由多达30个节点来表示，每个节点有多达60个属性，总计超过2.16亿个节点，在整个数据集中有6.8亿个关系。
借助Neo4j的简单数据可视化功能，分析师现在只需花费大约一半的时间来手动审查所请求的金融交易。 这使他们能够每天查看近两倍的交易数量—更快地阻止欺诈交易，并减少非欺诈客户的等待时间。
拥有成熟且不断发展的欺诈检测解决方案的企业不仅可以避免欺诈费用，还可以在准备不足的竞争中巩固自己的地位。
复杂的欺诈团伙对任何金融服务企业都是一种复杂且不断发展的威胁，依靠离散数据的静态解决方案不足以克服欺诈活动。 为了持续领先于欺诈者的新兴策略，欺诈检测团队需要一种能够分析数据连接并不断发展以应对新欺诈模式的解决方案。
在进行这种关联数据分析时，Neo4j是处理规模、性能和复杂性的最佳图形技术，这些都是为当今领先的金融服务组织带来最大变化所必需的。
在接下来的几周内，我们将深入了解金融数据库实时同步 服务业中的其他图形技术使用案例，包括反洗钱、信息技术基础设施监控、身份和访问管理、网络安全和客户体验管理。