常见的金融风险大致可分为两个类型:可防可控风险和难防难控风险。比如用户违约风险，以及用户收入降低导致购买力下降风险，我们统称信用风险。黑产，中介，团伙欺诈等属于欺诈风险。信用风险，欺诈风险以及操作风险，这些都是可以通过各类不同等级的金融风控技术极大程度地降低。金融风控技术的演进可以基于所需要处理的数据维度而抽象成从点到线再到面。也就是从人工审核到规则，到算法模型再到关联图谱。对应的技术分别是从数据分析到机器学习再到图谱应用。主要过程如下：

第一阶段-审核：主要依赖对信息的人工审核。但身份证、手机号码、银行流水等材料的伪造成本很低，金融机构就需投入大量人力审核信息主体的身份及材料的真实性；

第二阶段-规则：基于数据分析而制定的各种策略和规则，并通过收集大量多样化的数据，如第三方信息等对信息的真实性进行交叉验证。这比传统的人工审核具有更强的反欺诈能力。但由于数据来源多、规模日益庞大，如何整合多元异构数据源，利用已有数据交叉验证成为新挑战；

第三阶段-模型：利用机器学习模型，将多源异构的大数据整合成机器可以理解的知识，通过机器学习模型来判断节点的好与坏；

第四阶段-关联图谱：将单点身份和单条链路的资料转换成对于面的形式的风险检测，不仅关注节点个体本身，而且更加关注个体之间的关系，从而实现欺诈的识别和防御。简而言之，图分析应用就是一个较好的切入点。

然而在传统的金融企业中，图技术并没有被大规模的应用。这些企业仍然使用关系型数据库进行数据存储，进行的风控也仅仅从个体本身来出发去分析个体之间的差异。但由于信息伪造成本极低，就导致欺诈风险的欺诈行为高发且难以防范。其实，这些企业所拥有的这些数据本身就隐含着海量的挖掘价值，而传统的金融企业却无从下手，所以越来越多的金融科技公司开始着手对图技术进行研究与应用，使用图数据库去存储数据，并且利用图分析算法来甄别团伙欺诈行为，这就极大程度地提高了数据存储和数据挖掘的能力，也可以为金融风控业务提供实时有效的风险信息。

这里我们就要重点讲讲为什么要用图技术？并给大家介绍几个使用图分析技术进行风险识别的典型场景。

期随身听，相关资料链接，你可以在这里找到：

https://www.tigergraph.com.cn/walkman/episode-17/

欢迎大家关注微信公众号，只需搜索”TigerGraph“ ，即可第一时间收听。