使用 Neo4j 加速欺诈调查

挑战

苏黎世瑞士很早就开始自动化欺诈检测。该保险公司依赖基于规则的软件，该软件根据既定标准分析案例并为其分配风险评分。达到一定级别后，案例会转交给一个由25名现场调查员组成的团队，他们在分类流程中审查可疑案例。

然而，自动化报告很快变得几乎无法手动检查，耗费了内部调查团队大量时间。“我们自己也被数据洪流惊到了，”苏黎世瑞士欺诈预防负责人Paul Kühne解释说。“我们的调查员并非总能理解警报为何出现，或者风险评分是如何得出的。此外，还缺乏上下文。与银行账户、地址、客户数据和保单的交叉引用必须使用其他系统单独进行研究。”

为了高效分类案件，现场调查员需要能够查看数据中的连接。在寻找解决方案的过程中，高级项目经理Christof Aschwanden偶然发现了巴拿马文件——从而发现了 Neo4j。“经过第一次测试，我们已经很清楚：这正是我们所需要的，”Aschwanden 说。“索赔不仅可以在图谱中整体显示，而且新信息会自动链接，确保数据实时匹配。”

解决方案

苏黎世瑞士使用存储在 Neo4j 中并由 Linkurious 可视化的数据对潜在欺诈案件进行分类。调查人员直接从基于规则的风险工具切换到基于图的应用程序，并在一个视图中打开所有相关数据。苏黎世在图谱中存储了大约2000万个节点和3500万条关系。

索赔报告与保险单数据、客户信息、投保财产（例如车辆）以及支付和财务数据相关联。此外，还添加了来自国家数据库、黑名单和经济数据（例如，信用度、所有权）的外部数据。

“乍一看，在图谱中映射标准关系可能显得微不足道。但随着新数据的添加以及节点和边缘网络的不断展开，它就像魔法一样，”Aschwanden 说。“通常，目标不一定是检测复杂的模式或大型欺诈网络。相反，Neo4j 帮助我们筛选并迅速识别收到的海量信息中的问题。”

对所有数据的一览无余对于分类至关重要。它通常会立即清楚地显示报告的可疑案件是否确实需要转入特殊欺诈处理。“在图谱中，我可以看到上下文，查看特定索赔，将其与过去的报告进行比较，考虑涉及人员，并获得更清晰的图像，”Kühne 说。

大多数索赔并不存在疑点，并会正常处理和结算。但也有一些是明显的犯罪活动，例如以“碰撞骗保”方式策划的交通事故。调查人员必须能够快速回答关键问题。车辆司机、车主和保单持有人到底是谁？事故涉及人员之间是否存在可疑的相似之处（例如，居住在同一地址）？不同的索赔付款是否流入同一个银行账户？