存款分析

1. 引言

零售银行部门在存款管理方面面临着重大挑战，这主要归因于利率波动、客户行为演变以及技术进步。预计到 2025 年，存款增长仍将保持缓慢，而存款成本已然增加，对银行的净利息收入构成压力。在流动性需求以及储户不愿接受较低利率的驱动下，一场激烈的存款竞争正在上演。此外，宏观经济逆风和政治不确定性也影响着消费者行为和企业借贷。为应对这些挑战，银行正着力于新客户获取与留存、个性化定价策略以及卓越的数字化体验。

2. 场景

图数据库擅长分析零售银行存款的复杂性。通过利用客户、账户和交易之间的关系，它们使银行能够建模和可视化客户行为。这使得银行能够优化定价策略，识别潜在风险，并根据个人需求和市场趋势提供个性化服务。

与传统系统相比，图数据库提供实时分析、更快的响应时间以及卓越的数据建模能力。这些优势转化为零售银行客户体验的提升、风险管理的加强和盈利能力的增加。

3. 解决方案

图数据库为分析银行存款提供了一种独特的方法，超越了传统关系数据库的局限性。图数据库能够建模客户、账户和交易之间复杂的联系和模式，这对于理解存款行为至关重要。这与索赔欺诈文档中描述的图数据库在欺诈检测中的应用非常相似。利用图论，图数据库可以准确地表示实体及其连接，从而通过提供数据点之间关系的清晰视图，帮助银行更好地管理存款。它们允许对数据集中连接进行更复杂的分析，超越数据集本身的简单数据。这种方法促进了实时分析，使得能够更快地响应市场变化或客户活动，这是传统系统难以做到的。

3.1. 图数据库如何提供帮助？

  • 链接分析：正如 Neo4j 能够探索连接以揭示复杂模式一样，它也能探索客户人口统计数据、账户活动和交易历史之间的连接，以揭示复杂的存款模式。这有助于银行可视化不同因素如何相互作用并影响存款趋势。

  • 模式检测：类似于图数据库在无需起始点的情况下擅长识别欺诈模式，它们也能分析存款数据以揭示隐藏的关系并识别新兴趋势。这可以包括识别具有相似存款行为的客户群，或与异常资金流相关的账户。

  • 实时分析：图数据库可以实时监控和分析存款活动。这使银行能够快速识别存款行为的异常变化，分析动态定价策略的影响，并迅速响应市场变化。

图数据库与传统系统相比具有明显的优势，尤其是在处理存款数据复杂和相互关联的性质时。通过采用这项技术，银行可以加深对客户行为的理解，并改进其存款策略。这种方法与图数据库在欺诈检测中的有效应用异曲同工。

4. 建模

本节将展示在示例图上运行的 Cypher 查询示例。目的是说明查询的样式，并提供在实际环境中如何构建数据的指南。我们将在一个包含多个节点的小型图上进行操作。示例图将基于以下数据模型

4.1. 数据模型

![存款分析数据模型](Data Model - Deposit Analysis.png)

4.1.1 必填字段

根据提供的测试数据和索赔欺诈用例的结构，以下是如何扩展必填字段部分以包含客户和账户信息以及存款的方式

Customer 节点

  • id: 客户的唯一标识符

Account 节点

  • accountNumber: 账户的唯一标识符

  • accountType: (例如，内部、外部) — 由测试数据中的标签指示

Deposit 节点

  • amount: 存款金额

  • date: 存款日期

关系

  • HAS_ACCOUNT: 将 Customer 节点连接到 Account 节点。

  • DEPOSIT: 将 Deposit 节点连接到 Account 节点。

4.2. 演示数据

// Create customers
CREATE (c1:Customer {id: 1})
CREATE (c2:Customer {id: 2})
CREATE (c3:Customer {id: 3})

// Create accounts
CREATE (a1:Account:Internal {accountNumber: 1})
CREATE (a2:Account:Internal {accountNumber: 2})
CREATE (a3:Account:Internal {accountNumber: 3})

// Create relationships - some accounts are shared between customers
CREATE (c1)-[:HAS_ACCOUNT]->(a1)
CREATE (c1)-[:HAS_ACCOUNT]->(a2)
CREATE (c2)-[:HAS_ACCOUNT]->(a2)
CREATE (c2)-[:HAS_ACCOUNT]->(a3)
CREATE (c3)-[:HAS_ACCOUNT]->(a3)

// Create deposits
CREATE (:Deposit:Cash)-[:DEPOSIT {amount: 3000, date: datetime()-duration('P2M')}]->(a1)
CREATE (:Deposit:Cash)-[:DEPOSIT {amount: 5000, date: datetime()-duration('P1M')}]->(a1)
CREATE (:Deposit:Cash)-[:DEPOSIT {amount: 1000, date: datetime()}]->(a1)
CREATE (:Deposit:Cash)-[:DEPOSIT {amount: 4000, date: datetime()}]->(a2)
CREATE (:Deposit:Cash)-[:DEPOSIT {amount: 2000, date: datetime()}]->(a3)

4.3. Neo4j 方案

如果您调用

// Show neo4j scheme
CALL db.schema.visualization()

您将看到以下响应

fs deposit analysis schema

5. Cypher 查询

5.1. 查找上个月的所有存款

MATCH path=(:Account)<-[d:DEPOSIT]-(:Deposit)
WHERE d.date > datetime()-duration('P1M')
RETURN path

5.2. 获取过去三个月中资金重叠达 50% 的所有存款

在此查询中，我们将根据以下要求识别一个有效客户

  • 过去连续两个月内有现金存款

  • 上一个连续月份内有现金存款

  • 获取所有客户账户的存款

  • 确保当前连续月份的存款至少有 50% 与前两个月重叠

// Get sum of deposits in the rolling two month window
// 1 month ago to 3 months ago
MATCH (c:Customer)-[:HAS_ACCOUNT]->(:Account)<-[d:DEPOSIT]-(:Deposit)
WHERE d.date < datetime()-duration('P1M')
AND d.date > datetime()-duration('P3M')
WITH AVG(d.amount) AS rollingTwoMnthDepositAvg, c
WHERE rollingTwoMnthDepositAvg > 0


// Get sum of deposits in the current rolling month
MATCH (c)-[:HAS_ACCOUNT]->(:Account)<-[d:DEPOSIT]-(:Deposit)
WHERE d.date > datetime()-duration('P1M')
WITH c, rollingTwoMnthDepositAvg, SUM(d.amount) AS currentMonth
WHERE currentMonth > 0


// Make sure there is atleast 50% of the money being deposited between the current month
// and the avg over the last 2 months
WITH c, rollingTwoMnthDepositAvg, currentMonth
WHERE (currentMonth / rollingTwoMnthDepositAvg) * 100 > 50


// Get all deposits over the last three months for all accounts
MATCH path=(c)-[:HAS_ACCOUNT]->(:Account)<-[d:DEPOSIT]-(:Deposit)
WHERE d.date > datetime()-duration('P3M')


RETURN path

是的，还有一些更具“图论”本质的附加查询，它们利用图数据库的关系和网络分析能力，如来源中所述。这些查询超越了简单的模式匹配，可以探索数据中的连接和结构。

以下是一些示例，它们建立在之前的查询基础之上，并侧重于更复杂的图分析

5.3. 识别客户账户共享网络

此查询识别共享账户的客户网络，这可能表明潜在的欺诈团伙或合法的家庭/业务关系。

// Find customers who share accounts and get their deposit patterns
MATCH (c1:Customer)-[:HAS_ACCOUNT]->(a:Account)<-[:HAS_ACCOUNT]-(c2:Customer)
WHERE c1.id < c2.id  // Avoid duplicate pairs
WITH c1, c2, a

// Get deposits for shared accounts
OPTIONAL MATCH (d:Deposit)-[dep:DEPOSIT]->(a)
WHERE dep.date > datetime()-duration('P3M')

// Aggregate results
WITH c1, c2, a,
     count(d) as depositCount,
     coalesce(sum(dep.amount), 0) as totalDeposits  // Handle null case when no deposits

// Return the relationship details
RETURN
    c1.id as customer1,
    c2.id as customer2,
    collect(a.accountNumber) as sharedAccounts,
    count(a) as numberOfSharedAccounts,
    sum(depositCount) as totalDeposits,
    sum(totalDeposits) as totalDepositAmount
ORDER BY numberOfSharedAccounts DESC

5.4. 分析账户间的存款流模式

此查询识别在相近时间段内发生的账户间存款模式，这可能表明结构化交易或资金流动模式。

// Find deposits and their accounts within the last 3 months
MATCH (d1:Deposit)-[dep1:DEPOSIT]->(a1:Account)<-[:HAS_ACCOUNT]-(c1:Customer)
WHERE dep1.date > datetime()-duration('P3M')

// Find other deposits to different accounts within a 1 month window
MATCH (d2:Deposit)-[dep2:DEPOSIT]->(a2:Account)<-[:HAS_ACCOUNT]-(c2:Customer)
WHERE a1 <> a2
AND abs(duration.between(dep1.date, dep2.date).days) < 30

// Return the pattern of related deposits
RETURN
    c1.id as customer1,
    a1.accountNumber as account1,
    dep1.amount as amount1,
    dep1.date as date1,
    c2.id as customer2,
    a2.accountNumber as account2,
    dep2.amount as amount2,
    dep2.date as date2,
    abs(duration.between(dep1.date, dep2.date).days) as daysBetween
ORDER BY daysBetween

解释

  • 第一个 MATCH 子句查找过去三个月内的存款及其关联客户。

  • 第二个 MATCH 子句使用前一个账户遍历到下一个存款。

  • WHERE 子句进行过滤，以确保所有新存款都在彼此的一个月内发生。

  • RETURN 语句返回存款流的原始路径和所有相关路径。

  • 此查询分析跨账户的存款流路径，这是一种强大的基于图的分析技术，用于识别异常金融活动。

6. 图数据科学 (GDS)

6.1. 存款网络中的社区检测

此查询利用图数据科学 (GDS) 库来识别存款网络中的社区。Louvain 方法在欺诈网络中检测社区方面尤其有效。此查询具有高度的“图论”特性，因为它使用了图特定的算法来探索连接结构，如来源材料中所述。这种方法可以揭示紧密关联的客户和账户群组，从而指示有组织的欺诈活动。

首先投影图

// Create a graph projection
CALL gds.graph.project(
    'depositNetwork',
    'Customer',
    'HAS_ACCOUNT'
)

然后运行 Louvain 算法

// Run the Louvain algorithm
CALL gds.louvain.stream('depositNetwork')
YIELD nodeId, communityId

// Return results
RETURN gds.util.asNode(nodeId).id AS customerId, communityId

解释：* 此查询首先创建客户和 HAS_ACCOUNT 关系的图投影。* 然后，它在投影上运行 Louvain 算法，该算法识别密集连接的社区。* RETURN 语句返回每个客户 ID，以及一个社区 ID，该 ID 指示客户是否属于同一社区，这意味着他们可能是更大欺诈团伙的一部分。

6.2. 识别关键参与者的中心性分析

中心性算法有助于识别网络中最具影响力或最可疑的节点。这是图数据库能够识别典型关系数据库会遗漏的异常的另一种方式，因为其重点是分析特定节点的重要性或影响力。

这需要首先进行图投影，如上一节所述。

// Run PageRank
CALL gds.pageRank.stream('depositNetwork')
YIELD nodeId, score
RETURN gds.util.asNode(nodeId).id AS entityId, score
ORDER BY score DESC

解释：* 此查询首先创建客户、账户和关系的图投影。* 然后，它运行 PageRank 算法以确定图中节点的重要性，根据连接数量和连接节点的重要性给出分数。* RETURN 语句输出实体 ID 及其 PageRank 分数，可用于识别连接最紧密或最重要的实体。* 中心性算法有助于识别网络中最具影响力或最可疑的节点。

这些查询说明了图数据库如何用于执行复杂的、基于网络的分析，超越了传统关系数据库的能力。它们侧重于识别数据中的关系、模式和路径，这对于欺诈检测和风险管理至关重要。这些查询还使用了更多图特定的方法，这些方法在关系数据库中更难或无法实现。

© . All rights reserved.