GraphIQ


Wykrywanie przestępstw finansowych
Przestępstwa finansowe są coraz trudniejsze do wykrycia. Oszuści tworzą bowiem:

  • Sztuczne tożsamości – na podstawie prawdziwych danych z różnych źródeł tworzone są nowe tożsamości,
  • Sieci powiązań zarówno małe i duże. Im większa liczba powiązanych osób lub firm, tym większa skala oszustw.

Standardowe mechanizmy wykrywania fraudów (również te oparte na Machine Learning) w dużym stopniu nie wykrywają powyższych sytuacji. Dzieje się tak, ponieważ analizowane są dane, a nie powiązania. Jeśli powiążemy osoby posługujące się tym samym numerem dowodu lub PESELem, osoby, które posiadają ten sam numer telefonu lub e-mail, osoby, które mają te same adresy zamieszkania okaże się, że te osoby uzyskają status powiązanych (mimo, że w konwencjonalnych bazach danych są sobie obce). Algorytmy wbudowane w bazę grafową pozwalają na wykrycie powiązań i grup informacji, a to z kolei pozwala na wykrycie łańcuchów przestępstw.

Budowa GraphIQ umożliwia dostosowanie struktur danych do zmieniających się wymogów (np. taktyki walki z fraudami).


Definiując odpowiednie warunki, np.:

  • prowadzenie tej samej działaności,
  • obrót tymi samymi towarami,
  • ten sam wystawca zabezpieczenia,
  • powiązania w ramach grup kapitałowych,
  • identyfikujące stosunek kontroli (np.: sporządzanie sprawozdań skonsolidowanych, prawo głosu, uprawnienia decyzyjne),
  • identyfikujące zależność  ekonomiczną  (np.: wzajemne gwarantowanie,  znaczne powiązanie z jednym odbiorcą , klientem, wspólni właściciele

możemy utworzyć przejrzysty graf zawierający węzły i relacje w ramach wskazanych transakcji i warunków i poddawać go dalszym analizom. Możliwe jest również wykorzystanie danych ze źródeł zewnętrznych.

Możemy wprowadzić do GrachIQ osoby lub relacje nie wynikające bezpośrednio z rejestrów sądowych. Takie relacje, to np. pokrewieństwo, sąsiedztwo, bliska współpraca firm niepowiązanych formalnie, transakcje łańcuch dostaw. Przy dalszej analizie informacji można użyć te relacje lub nie. Tworzenie dodatkowych relacji może się odbyć przez definicję reguł dla danych w bazie i ich implementację. Dane te mogą pochodzić z bazy Banku (np. relacje do rachunku danej osoby) lub ze źródeł zewnętrznych.

Istnieją również algorytmy przewidujące określone zachowania osób na podstawie ich  „znajomych” (czyli osób o bezpośredniej relacji) – określenie powiązań między osobami może mieć teraz i w przyszłości olbrzymie znaczenie.