El documento describe cómo el análisis de gráficos puede usarse para detectar fraude de manera más efectiva que los métodos tradicionales. Explica cómo modelar transacciones fraudulentas, usuarios y sus conexiones como un grafo para revelar patrones sospechosos como anillos de fraude y usuarios vinculados. También presenta algoritmos gráficos como Union Find que pueden utilizarse para encontrar conjuntos de nodos conectados y posibles redes de fraude.

1. Detenga el fraude
complejo con Neo4j

2. github.com/maxdemarzi
About 200 public repositories
Max De Marzi
Neo4j Field Engineer
Sobre
Mi !
01
02
03
04
maxdemarzi.com
@maxdemarzi
About 160 blog posts

3. ¿Quiénes son los estafadores
de hoy?

4. Organizado en grupos
Identidades Sintéticas Identidades Robadas
Dispositivos secuestrados
¿Quiénes son los estafadores
de hoy?

5. Tipos de fraude
• Fraude de Tarjeta de Credito
• Fraude de Comerciantes
• Anillos de Fraude
• Fraude de Seguro
• Fraude de Comercio Electrónico
• Fraude que aún no conocemos…

6. “No considere la tecnología
tradicional adecuada para
mantenerse al día con las
tendencias criminales.”
Market Guide for Online Fraud Detection, April 27, 2015

8. Detección de Fraude

9. Análisis del
comportamiento de
navegación y patrones
sospechosos.
Centrado en el
Dispositivo
Análisis de los usuarios
y sus dispositivos
1.
Centrado en la
Navegación
2.
Centric en la
Identidad
Análisis del
comportamiento de
anomalías por canal.
3.
Computadora,
Teléfonos Móviles
Direcciones IP
y ID del
Usuario
Transacción Comparativa
Verificación de Identidad
Métodos Tradicionales de
Detección de Fraude

10. Incapaz de detectar:
• Anillos de Fraude
• Direcciones IP falsas
• Dispositivos
secuestrados
• Identidades Sintéticas
• Identidades Robadas
• Y más…
Debilidades
ANÁLISIS DISCRETO
Métodos Tradicionales de
Detección de Fraude
Centrado en el
Dispositivo
Análisis de los usuarios
y sus dispositivos
1.
Centrado en la
Navegación
Análisis del
comportamiento de
navegación y patrones
sospechosos.
2.
Centric en la
Identidad
Análisis del
comportamiento de
anomalías por canal.
3.

11. ANÁLISIS CONECTADOANÁLISIS DISCRETO
Entre Canales
Análisis del
comportamiento de
anomalías
correlacionado entre
canales.
4.
Enlace de
Entidades
Análisis de las
relaciones para detectar
el crimen organizado y
la colusión.
5.
Detección de Fraude Aumentada
Centrado en el
Dispositivo
Análisis de los usuarios
y sus dispositivos
1.
Centrado en la
Navegación
Análisis del
comportamiento de
navegación y patrones
sospechosos.
2.
Centric en la
Identidad
Análisis del
comportamiento de
anomalías por canal.
3.

12. INVESTIGAR
Deuda Rotatoria
Numero de Cuentas
INVESTIGAR
Comportamiento Normal
Detección de Fraude con
Análisis Discreto

13. Deuda Rotatoria
Numero de Cuentas
Comportamiento Normal
Patrón Fraudulento
Detección de fraude con
Análisis Conectado

14. Detección de fraude con Graphos

15. Patrones de Subgrapho
Ni: numero de vecinos de un nodo
Ei: numero de relaciones en un subgrapho
Wi: “peso” total the una subgrapho
λw,i: mayor variabilidad de los "pesos" de
un subgrafo

16. Power Law Densidad
slope=2
slope=1
slope=1.35

17. Power Law Peso

18. Power Law Variabilidad de Peso

19. •Influencia
•Poder
•Posición Social
•Control
•Independencia
•Información
¿Qué nodos son importantes?
Famoso en el Grapho

20. •PageRank
•ArticleRank
•Betweenness Centrality
•Closeness Centrality
•Eigenvector Centrality
•Degree Centrality
•Harmonic Centrality
Centralidad

21. Agregue funciones gráficas a sus modelos
de detección de fraude existentes
Account ID Community
Size
Degree PageRank
1 31 15 10.7
3 4 12 3.4
5 98 9 11.2
•Influencia
•Relaciones
•Comunidades

22. Anillos de Fraude

23. Vamos a crear algunos usuarios
CREATE (john:User {name:"John"})
CREATE (sheila:User {name:"Sheila"})
CREATE (karen:User {name:"Karen"})

24. Sheila
Modelando un anillo de fraude como
un gráfico
John
Karen

25. John tiene algunas cuentas
CREATE (cc1:Card {number:"4012888888881881", balance: 493.23})
CREATE (ba1:Account {number:"85474584", balance:1322.30, type:”Checking"})
CREATE (us1:Loan {number:"63493639", balance:5000.00, type:"Loan”})
CREATE (john)-[:HAS_ACCOUNT]->(cc1)
CREATE (john)-[:HAS_ACCOUNT]->(ba1)
CREATE (john)-[:HAS_ACCOUNT]->(us1)

26. Sheila también tiene un número de
identificación
CREATE (ba2:Account {number:"25384738", balance:2983.99, type:"Checking"})
CREATE (cc2:Card {number:"5105105105105100", balance: 893.11})
CREATE (ssn2:Identification {number:"000-42-4329", type:”SSN"})
CREATE (sheila)-[:HAS_ACCOUNT]->(ba2)
CREATE (sheila)-[:HAS_ACCOUNT]->(cc2)
CREATE (sheila)-[:HAS_ID]->(ssn2)

27. Karen tiene un número de teléfono
CREATE (ba3:Account {number:"63493639", balance:3204.83, type:"Checking"})
CREATE (us2:Loan {number:"28372342", balance:5000.00, type:"Loan"})
CREATE (phone2:Phone {number:”312-606-0842"})
CREATE (karen)-[:HAS_ACCOUNT]->(ba3)
CREATE (karen)-[:HAS_ACCOUNT]->(us2)
CREATE (karen)-[:HAS_PHONE]->(phone2)

28. Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Nada sospechoso todavía
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES

29. John y Sheila están compartiendo un
número de teléfono
CREATE (phone1:Phone {number:"312-876-5309"})
CREATE (john)-[:HAS_PHONE]->(phone1)
CREATE (sheila)-[:HAS_PHONE]->(phone1)

30. John y Karen comparten un número
de identificación
CREATE (ssn1:Identification {number:"000-91-7434", type:"SSN"})
CREATE (john)-[:HAS_ID]->(ssn1)
CREATE (karen)-[:HAS_ID]->(ssn1)

31. Todos comparten la misma dirección
CREATE (ad:Address {line1:"175 N. Harbor Drive",
city:"Chicago", state:"IL", zip:”60601"})
CREATE (john)-[:HAS_ADDRESS]->(ad)
CREATE (karen)-[:HAS_ADDRESS]->(ad)
CREATE (sheila)-[:HAS_ADDRESS]->(ad)

32. Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Comenzando a conectar los puntos ...
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
DIRECCION
NÚMERO
DE
TELÉFONO
SSN 1

33. Agreguemos a Robert
CREATE (robert:User {name:"Robert"})
CREATE (ba4:Account {number:"8374927", balance:1273.39, type:"Checking"})
CREATE (cc3:Card {number:"378282246310005", balance: 134.72})
CREATE (robert)-[:HAS_ACCOUNT]->(ba4)
CREATE (robert)-[:HAS_ACCOUNT]->(cc3)

34. • Triangle Count
• Clustering Coefficients
• Connected Components (Union Find)
• Strongly Connected Components
• Label Propagation
• Louvain Modularity
• Balanced Triad (identification)
Community
Detection
• Degree Centrality
• Closeness Centrality
• CC Variations: Harmonic, Dangalchev,
Wasserman & Faust
• Betweenness Centrality
• Approximate Betweenness Centrality
• PageRank
• Personalized PageRank
• ArticleRank
• Eigenvector Centrality
• Euclidean Distance
• Cosine Similarity
• Jaccard Similarity
• Overlap Similarity
• Pearson Similarity
Centrality /
Importance
Similarity
Link
Prediction
• Adamic Adar
• Common Neighbors
• Preferential Attachment
• Resource Allocations
• Same Community
• Total Neighbors
Algoritmos Gráficos

35. Algoritmo de grafico
Union Find
Encuentra conjuntos donde todos los nodos
pueden llegar a todos los demás nodos
•Detección de fraude
•Deduplicación
•Resolución de la entidad
Consulte la publicación del blog
“The Real Property Graph”

36. Algoritmo de grafico
Union Find
CALL algo.unionFind.stream(
'MATCH (p:User) RETURN id(p) as id',
'MATCH (p1:User)-->()<--(p2:User)
RETURN id(p1) as source, id(p2) as target',
{graph:'cypher'}
) YIELD nodeId, setId
RETURN algo.asNode(nodeId).name AS user, setId

37. Algoritmo de grafico Union Find

38. Componentes Conectados
Conjunto
3
Conjunto
0

39. Sheila
John
Karen
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Supongamos que no son tan estúpidos
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES

40. Llamaron desde el mismo número
MATCH (john:User {name:"John"}),
(sheila:User {name:"Sheila"})
CREATE (ani:ANI {number:"312-666-1234"})
CREATE (ani)-[:CALLED]->(john)
CREATE (ani)-[:CALLED]->(sheila)

41. Ingresaron usando el mismo
navegador
MATCH (john:User {name:”John"}),
(robert:User {name:”Robert"})
CREATE (fg:Browser {fingerprint:”asdf7373jsdf3rw"})
CREATE (fg)-[:ACCESSED]->(john)
CREATE (fg)-[:ACCESSED]->(robert)

42. Sheila
John
Robert
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
CUENTA
DE
CHEQUES
NÚMERO
DE
TELÉFONO
PRESTAMO NO
ASEGURADO
SSN 2
PRESTAMO NO
ASEGURADO
Conectados por sus "conexiones"
TARJETA
DE
CRÉDITO
CUENTA
DE
CHEQUES
BROWSER
ANI
NUMBER

43. Algoritmo de grafico Union Find otra vez
CALL algo.unionFind.stream(
'MATCH (p:User) RETURN id(p) as id',
'MATCH (p1:User)<-[:ACCESSED]-()-[:ACCESSED]->(p2:User)
RETURN id(p1) as source, id(p2) as target',
{graph:'cypher'}
) YIELD nodeId, setId
RETURN algo.asNode(nodeId).name AS user, setId

44. Algoritmo de grafico Union Find

45. Componentes Conectados
Conjunto 0
Conjunto 2

47. Almacene los resultados de Union Find
CALL algo.unionFind(
'MATCH (p:User) RETURN id(p) as id',
'MATCH (p1:User)--()--(p2:User)
RETURN id(p1) as source, id(p2) as target',
{graph:'cypher'}
) YIELD setCount

48. Veamos estas particiones
MATCH (n:User)
RETURN n.partition, COUNT(*) AS members,
COLLECT(n.name) AS names
ORDER BY members DESC

49. Nuestros estafadores están todos
conectados

50. Nuestros estafadores están todos
conectados

51. Fraude de Tarjeta de Credito

52. De un Cajero
Automático
Violaciones de Datos Sofisticadas
Recopilación de información de Tarjeta de Crédito
Comerciante
Fraudulento

53. UTILIZA
EMITE
Terminal
ATM Violacíon de
Datos
Titular de la tarjeta
Banco
Estafador
UTILIZA $5HACE
$1
0
HACE
$2
HACE
HACE $4000
CON
Pruebas
Comerciantes
CON
HACE Tx

54. Transacciones con tarjeta de crédito como
un gráfico
CREATE (john:User {name:"John"})
CREATE (m1:Merchant {name:"Computer Store"})
CREATE (m2:Merchant {name:"Gas Station"})
CREATE (m3:Merchant {name:"Jewelry Store"})
CREATE (m4:Merchant {name:"Furniture Store"})
CREATE (tx1:Transaction:Fraudulent {amount: 2000.00, date:datetime()})
CREATE (tx2:Transaction {amount: 35.00, date:datetime() - duration('P1D')})
CREATE (tx3:Transaction {amount: 25.00, date:datetime() - duration('P2D')})
CREATE (tx4:Transaction {amount: 12.00, date:datetime() - duration('P3D')})
CREATE (tx1)-[:AT_MERCHANT]->(m1)
CREATE (tx2)-[:AT_MERCHANT]->(m2)
CREATE (tx3)-[:AT_MERCHANT]->(m3)
CREATE (tx4)-[:AT_MERCHANT]->(m4)

55. CREATE (john)-[:MAKES]->(tx1)
CREATE (john)-[:MAKES]->(tx2)
CREATE (john)-[:MAKES]->(tx3)
CREATE (john)-[:MAKES]->(tx4)
Transacciones con tarjeta de crédito como
un gráfico

56. // The last week of John's transactions
MATCH p = (n:User {name:"John"})-[:MAKES]->(tx)
WHERE tx.date > datetime() - duration('P7D')
RETURN p
Transacciones de John la semana pasada

57. Transacciones de John la semana pasada

58. Transacciones con tarjeta de crédito como
una lista
MATCH (u:User)
WHERE SIZE((u)-[:PREV_TX]->()) = 0 AND SIZE((u)-[:MAKES]->()) > 0
WITH u
LIMIT 100
MATCH (u)-[r:MAKES]->(tx)
WITH u, tx ORDER BY tx.date DESC
WITH u, COLLECT(tx) AS transactions, HEAD(COLLECT(tx)) AS last
CREATE (u)-[:PREV_TX]->(last)
FOREACH (n IN RANGE(0, SIZE(transactions)-2) |
FOREACH (next IN [transactions[n]] |
FOREACH (prev IN [transactions[n+1]] |
CREATE (next)-[:PREV_TX]->(prev)
)))

59. // The last week of John's transactions
MATCH p = (n:User {name:"John"})-[:PREV_TX*]->(tx)
WHERE NONE (tx IN tail(nodes(p))
WHERE tx.date <= datetime() - duration('P7D'))
RETURN p
Transacciones de John la semana pasada

60. Transacciones de John la semana pasada

63. TxTx Tx TxTx Tx Tx TxTxTx TxJuan

64. Tx
$20000
TxTx Tx Tx TxTxTxTx Tx Tx
Tienda
Computad
Juan

65. Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan

66. Siguiendo los pasos en la arena
// All the transactions marked fraudulent in the last week
// and the transactions that came before them
// up to two weeks ago.
MATCH p = (fraud:Fraudulent)-[:PREV_TX*]->(tx)
WHERE fraud.date > datetime() - duration('P7D')
AND NONE (tx IN tail(nodes(p))
WHERE tx.date <= datetime() - duration('P14D'))
RETURN p

67. Siguiendo los pasos en la arena

68. Tx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Maria
$20
TxTx TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30

69. Tx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Maria
$20
TxTx TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
Roberto TxTxTx Tx TxTx TxTxTx Tx Tx

70. TxTx
$20
TxTx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
María
Roberto
$30
Sofía
TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
TxTxTx Tx Tx TxTx TxTx
TxTx TxTx Tx Tx TxTx
$80 $120
Tx
$50000
Tienda de
Muebles
Tx Tx Tx

71. Encuentra a los comerciantes sospechosos
// Top 5 common merchants from fraudulent transaction chains
up to two weeks ago.
MATCH p = (fraud:Fraudulent)-[:PREV_TX*]->(tx)
WHERE fraud.date > datetime() - duration('P7D')
AND NONE (tx IN tail(nodes(p))
WHERE tx.date <= datetime() - duration('P14D'))
WITH nodes(p) AS transactions
UNWIND transactions AS tx
WITH DISTINCT tx
MATCH (tx)-[:AT_MERCHANT]->(merchant)
RETURN merchant.name, COUNT(*) AS txCount
ORDER BY txCount DESC
LIMIT 5

72. Encuentra a los comerciantes sospechosos

73. TxTx
$20
TxTx
Tx
$20000
Tx Tx
$250$100$40
TxTx Tx Tx TxTxTx
Tienda de
Computadoras
Juan
Gasolinera
María
Roberto
$30
Sofía
TxTxTx Tx Tx TxTx
$30000
Tx
Joyería
Tx
$30
TxTxTx Tx Tx TxTx TxTx
TxTx TxTx Tx Tx TxTx
$80 $120
Tx
$50000
Tienda de
Muebles
Tx Tx Tx

74. Cómo Neo4j encaja en su Arquitectura

75. Transferencia
de Dinero
Compras Servicios
Bancarios Base de Datos
Relacional
Desarrollar Patrones
Equipo de Ciencia de Datos
+ Bueno para análisis discreto
– Sin visión holística de las relaciones de datos
– Velocidad de consulta lenta para conexiones

76. Transferencia
de Dinero
Compras Servicios
Bancarios Base de Datos
Relacional
Lago de
Datos
+ Bueno para “Map Reduce”
+ Bueno para cargas de trabajo analíticas
– Sin visión holística
– Cargas de trabajo no operacionales
– Procesos de semanas a meses
Desarrollar Patrones
Equipo de Ciencia de Datos
Datos del
comerciante
Datos
de
Crédito
Otra
Información

77. Transferencia
de Dinero
Compras Servicios
Bancarios
Tiempo Real
Neo4j
Cluster
DETECTAR
Flujo de Transacciones
RESPONDER
Alertas y
Notificaciones
CARGAR DATOS RELEVANTES
Base de Datos
Relacional
Lago de
Datos
Visualización
Patrones de Ajuste
Fino
Desarrollar Patrones
Equipo de Ciencia de Datos
Datos del
comerciante
Datos
de
Crédito
Otra
Información

78. Transferencia
de Dinero
Compras Servicios
Bancarios
Tiempo Real
Neo4j
Cluster
DETECTAR
Flujo de Transacciones
RESPONDER
Alertas y
Notificaciones
CARGAR DATOS RELEVANTES
Base de Datos
Relacional
Lago de
Datos
Visualización
Patrones de Ajuste
Fino
Desarrollar Patrones
Equipo de Ciencia de Datos
Datos del
comerciante
Datos
de
Crédito
Otra
Información
Conjunto de
datos
utilizado para
explorar
nuevas ideas

79. El Sumario

80. Nosotros hablamos acerca de…
Los Estafadores de Hoy
Ejemplos:
Anillos de fraude
Prueba de Tarjeta de Crédito
Origen del Fraude
Cómo Neo4j encaja en una Arquitectura

81. Detectar y prevenir fraudes en tiempo real
Análisis y transacciones de riesgo
crediticio más rápidos
Reduce las devoluciones de cargo
Adaptarse rápidamente a nuevos métodos
de fraude
¿Por qué Neo4j? ¿Quién lo está usando?
Las Instituciones Financieras usan Neo4j para:
FINANCE
Empresas de
Tarjetas de Crédito
Comerciantes

82. No realmente, ¿por qué Neo4j?

83. Registros de tamaño fijo en
dos formaciones
“Uniones” desde la creación
A través de esta estructura
de datos
Acceso directo en lugar de
búsquedas1
2
3
4
La Receta Secreta de Neo4j
Saltamos de la colección de nodos a la
colección de relaciones y otra vez a nodos

84. Particiones
Las relaciones de
cada nodo están
divididas por tipo
y dirección.

85. ¡Recursos Valiosos!
neo4jsandbox.com https://neo4j.com/use-cases/fraud-detection/ neo4j.com/product
Sandbox Detección de Fraude Producto

86. Preguntas y
Respuestas