用 BigQuery Graph 预防欺诈
Curve 这家金融超级应用公司，在反欺诈上遇到一个很头疼的问题：传统数据库查单笔交易没问题，但要揪出组织化欺诈团伙，需要跨多跳追踪关系链。用标准 SQL 做多跳自关联，计算成本爆炸，还容易超时。数据量上去了，性能瓶颈直接卡死。本质上，欺诈犯罪不是孤立事件，而是复杂的网络关系，但传统关系模型根本看不见这张网。
他们的解法很聪明：直接上 BigQuery Graph。核心思路是不用搬迁数据，直接在现有 BigQuery 数据仓库里把用户和设备、卡片这些共享标识建模成节点和边。用原生 GQL 语法 替代几十行复杂的 JOIN，一句话就能匹配可疑模式。这个方案的好处是能把图遍历和标准 SQL、机器学习流程混在一个查询里，分析师不用学新语言，工程化成本极低。效果也很硬：2025 年靠图分析自动拦截的交易损失节省了 约 1200 万美元，识别欺诈准确率达到 72%。
我的判断是，这件事的关键价值不在于图数据库本身有多新，而在于 把图分析内嵌到数据仓库里 这个方向。以前要做图分析得把数据搬到专门的图数据库，维护两套系统，延迟高还容易不一致。BigQuery Graph 这种原生集成方案，让实时推理成为可能——他们正在往微批或流式遍历走，最终目标是让图特征在秒级交易授权中生效。这对整个金融风控的架构是个很实在的启发：关系是数据的本质属性，别再用关系模型硬扛网络分析。
