某銀行信用卡中心——大數(shù)據(jù)反欺詐應用案例

2017-06-23 10:54

本篇案例為數(shù)據(jù)猿推出的大型“金融大數(shù)據(jù)主題策劃”活動（查看詳情）第一部分的系列案例/征文；感謝?百融金服?的投遞

作為整體活動的第二部分，2017年6月29日，由數(shù)據(jù)猿主辦，上海金融行業(yè)信息協(xié)會、互聯(lián)網(wǎng)普惠金融研究院聯(lián)合主辦，中國信息通信研究院、大數(shù)據(jù)發(fā)展促進委員會、上海大數(shù)據(jù)聯(lián)盟、首席數(shù)據(jù)官聯(lián)盟、中國大數(shù)據(jù)技術(shù)與應用聯(lián)盟協(xié)辦的《「數(shù)據(jù)猿·超聲波」之金融科技·商業(yè)價值探索高峰論壇》還將在上海隆重舉辦【論壇詳情丨上屆回顧】

在論壇現(xiàn)場，也將頒發(fā)“技術(shù)創(chuàng)新獎”、“應用創(chuàng)新獎”、“最佳實踐獎”、“優(yōu)秀案例獎”四大類案例獎

來源：數(shù)據(jù)猿丨投遞：百融金服

2003年以來我國經(jīng)濟的快速增長，國內(nèi)信用消費環(huán)境的日趨成熟，我國信用卡市場近幾年得到了爆炸性的大發(fā)展。根據(jù)中國銀行業(yè)協(xié)會統(tǒng)計，截至2015年末，信用卡累計發(fā)卡量5.3億張，信用卡欺詐損失排名前三類型為偽卡、虛假身份和互聯(lián)網(wǎng)欺詐。

隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展與移動互聯(lián)時代的到來，信用卡業(yè)務的申請受理也逐漸由線下轉(zhuǎn)移到線上渠道。某銀行信用卡中心申請進件的重心，也逐漸向線上渠道傾斜。這就要求卡中心在審批流程和方法上與時俱進，采用更多渠道通過第三方服務，對申請進件的信用資質(zhì)、真實性等方面進行核查，以防止欺詐行為的發(fā)生。

周期/節(jié)奏

1.2014年開始測試.

2.2015年上線第一版發(fā)卡模型，在網(wǎng)申行方A卡中分段的客群上使用。百融評分大于一定分數(shù)就發(fā)卡，初期控制總量，驗證6個月后放量。

3.2016年改進版模型上線，全量查詢百融，和自有評分組合使用。

4.2016年底，為滿足人民銀行征信中心合規(guī)要求，調(diào)整網(wǎng)申流程。進件通過百融初審，初審通過后邀請到網(wǎng)點面簽，面簽通過再查人行完成終審。

5.2017年針對純線上樣本再次優(yōu)化模型，目前已完成開發(fā)，準備上線。

客戶名稱/所屬分類

某銀行信用卡中心/-風險控制-/反欺詐

任務/目標

信用卡業(yè)務競爭本質(zhì)上就是客戶的競爭，而且是優(yōu)質(zhì)客戶的競爭。針對線上審批在客戶發(fā)現(xiàn)、客戶提升、客戶保持、忠誠度、反欺詐和個人信用風險等等一系列圍繞客戶的新問題，支持日常運作的信用卡審批無法提供線上實時的、大量的、復雜的申請?zhí)峁┛焖俚臎Q策分析，希望建立一套以客戶為中心的大數(shù)據(jù)分析系統(tǒng)以實現(xiàn)上述目的。

挑戰(zhàn)

今年兩會上，總理在《政府工作報告》中指出，當前系統(tǒng)性風險總體可控，但對不良資產(chǎn)、證券違約、影子銀行、互聯(lián)網(wǎng)金融等積累風險要高度警惕。金融行業(yè)長期面臨欺詐風險和信用風險，欺詐風險和信用風險有著本質(zhì)的不同，信用風險指借款人因一些原因未能及時、足額償還債務而違約的可能性，信用風險和收益一般是正向關(guān)系，金融機構(gòu)對信用風險是主動承擔的，風險管理的目的在于將風險控制在一定范圍內(nèi)而獲得更好的收益。

而欺詐風險則是借款人惡意利用金融規(guī)則的漏洞以非法占有為目的，采用虛構(gòu)事實或者隱瞞事實真相的方法，騙取借款的風險，金融機構(gòu)是被動承擔的，并不會從承擔欺詐風險中獲得交易收益，風險管理的目的在于將風險減少到最低和嚴防風險發(fā)生。但欺詐風險與信用風險又有一定的聯(lián)系，欺詐風險可以引發(fā)新的信用風險或增大原有的風險程度，為風險管理帶來一定難度。

金融反欺詐是指金融機構(gòu)通過借助技術(shù)手段、改善業(yè)務流程等方式，檢測、識別并處理欺詐行為，以預防和減少金融欺詐的發(fā)生。反欺詐在國內(nèi)是個剛需，對很多金融機構(gòu)來說，其所面臨的欺詐風險遠大于信用風險。尤其是近年來互聯(lián)網(wǎng)金融和消費金融的快速發(fā)展，同時傳統(tǒng)金融機構(gòu)也不斷向線上轉(zhuǎn)移業(yè)務，很多平臺等在風險管理方面準備不足即開展業(yè)務，面臨大量的網(wǎng)貸申請欺詐和交易欺詐。同時對與p2p平臺和消費金融公司來說，低廉的造假成本和風控能力較弱，大大降低了網(wǎng)貸申請過程中的詐騙難度，給其識別風險帶了很大的沖擊和挑戰(zhàn)。

通過對各種場景中常見的欺詐行為的研究，可以對于外部欺詐的主要特征做出初步判斷，欺詐行為主要可分為以下幾大類：

1、身份欺詐，即利用虛假的身份信息向金融機構(gòu)申請貸款。身份造假有以下幾種類型：

第一，盜用或冒用他人身份信息，欺詐分子通過暴力破解、撞庫等技術(shù)手段非法盜取網(wǎng)上銀行/手機銀行賬戶，并采用集碼器等獲取手機驗證碼等校驗信息，利用賬戶資金進行非法消費、轉(zhuǎn)賬或提現(xiàn)等操作。

第二，盜用銀行卡，即非法獲取持卡人的銀行卡信息，綁定支付賬戶，或者通過復制銀行卡，提取銀行卡內(nèi)資金。

第三，虛假注冊，即利用身份信息交易黑色產(chǎn)業(yè)鏈大量收購身份信息，在線注冊賬戶，并利用虛假注冊的非本人賬戶進行騙貸或洗錢，這類成本較低的欺詐方式主要用于攻擊風險控制薄弱（例如提供身份證即可放款）的借貸平臺。

隨著放貸機構(gòu)風險管理手段的升級，近期還有針對性地發(fā)展出“虛擬人物養(yǎng)成”的新模式，即花費時間和經(jīng)濟成本“刷”出各類信用記錄，例如通過作弊手段，將芝麻信用分“養(yǎng)”到600分以上，創(chuàng)造出一個“真實”的有良好信用信息的人以騙取貸款。

第四，電信詐騙，即通過網(wǎng)絡、電話等詐騙方式，誘使客戶主動將資金轉(zhuǎn)移到欺詐分子賬戶。在身份欺詐中，既有個人實施的單筆騙貸，也有專門的騙貸團伙，專門研究各個金融機構(gòu)的管理漏洞，利用各種技術(shù)手段實施團伙欺詐，例如攻擊某個平臺，大量盜取用戶信息，或通過一臺主機同時控制幾百部手機或平板電腦，或同一臺手機不斷插拔多個手機號進行申請，其手段更為隱蔽，從單一的身份屬性驗證角度難以識別此類團伙行為或機器行為。

2、信息隱瞞或造假，即刻意隱藏不良信息，或征信不達標的個人，在黑中介的協(xié)助下，通過各種手段將自己包裝成“信用合格”人員，從而順利獲得貸款。例如申請人存在電信、公共事業(yè)、各類罰款等方面的欠繳行為，或者其名下個人資產(chǎn)是法院的執(zhí)行對象等負面信息，或者其配偶在金融機構(gòu)有過多次逾期或不良記錄，即使申請人本人信用狀況良好，但法律規(guī)定的代償義務直接影響到了申請人的還款能力和意愿。由于婚姻關(guān)系不是申請表的必填信息，此類信息不對稱具有相當?shù)碾[蔽性，難以被金融機構(gòu)察覺。

另外，還有欺詐分子通過作弊手段，短時間內(nèi)大幅提高芝麻分等信用記錄，或偽造高學歷證明、工作證明、通訊信息、銀行流水信息等，試圖提高信用審核的通過率。

3、隱形的欺詐意圖，由于信用意識和超前消費的準備不足，一部分擁有正常信貸需求的人可能出現(xiàn)未能正確評估自身還款能力或喪失還款意愿的情況。申請人本人及其密切聯(lián)系人（尤其是有代償義務和代償意愿的聯(lián)系人）是否在新的貸款機構(gòu)提交了借款申請，是否從新的貸款機構(gòu)借款，借貸產(chǎn)品的類型和借貸渠道是否發(fā)生了變更等，尤其是從傳統(tǒng)金融機構(gòu)轉(zhuǎn)向風控較為松懈的新型貸款機構(gòu)申請貸款，或新申請了短期高息貸款，或頻繁使用信用卡提現(xiàn)等異?，F(xiàn)象，如果出現(xiàn)此類情況，有理由相信，在客戶收入保持現(xiàn)有水平的情況下，難以償還所有這些欠款，很大程度上能夠反映出資金緊張或信用狀況惡化，需要額外加以關(guān)注。

4、商戶欺詐，商戶與借款人形成套現(xiàn)、套利的勾結(jié)關(guān)系，騙取金融機構(gòu)對于特定消費場景的補貼等。

實施過程/解決方案

技術(shù)要點及解決方案

隨著網(wǎng)絡和移動通訊技術(shù)在金融領(lǐng)域的廣泛應用，網(wǎng)絡欺詐也日益復雜多樣，并呈現(xiàn)多種欺詐手段的復合型欺詐和分工精細的團伙化欺詐趨勢。傳統(tǒng)的反欺詐手段通常是每遇到一次欺詐，就將其行為特點記錄下來形成“規(guī)則”，再基于規(guī)則建立防范機制，通過金融機構(gòu)自有業(yè)務數(shù)據(jù)進行分析建模做反欺詐風控，但由于我國目前征信體系并不完善，數(shù)據(jù)滯后性和數(shù)據(jù)不全面問題導致金融機構(gòu)只能做到一定程度的預防，不能跟上日益隱蔽和變化的欺詐手段，起不到真正的全面風險控制。

百融金服憑借服務銀行等金融機構(gòu)的行業(yè)先入優(yōu)勢、超強的大數(shù)據(jù)處理和建模能力，為信貸行業(yè)用戶提供包括反欺詐、貸前信審、貸中管控以及貸后管理在內(nèi)的客戶全生命周期產(chǎn)品和服務。通過大數(shù)據(jù)的方式進行篩選、整合、聚類等處理，針對未來可能產(chǎn)生欺詐行為的異常信息進行判定，為用戶做全方位畫像，就成為金融機構(gòu)防范欺詐風險和信貸決策的重要補充。

影響反欺詐效果的因素包括數(shù)據(jù)的來源及質(zhì)量、 算法模型的有效性、 系統(tǒng)構(gòu)架以及對應的反制措施。

圖1 百融反欺詐框架

在反欺詐系統(tǒng)中，能否形成全面的用戶畫像， 進而對用戶下一步的欺詐風險進行預測， 多維度和深度的大數(shù)據(jù)是必不可少的條件。

隨著互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)渠道的不斷發(fā)展，從各類場景識別欺詐行為的重要性將日漸突顯。百融擁有詳盡且經(jīng)過檢驗的預置規(guī)則集，對于不同的業(yè)務場景，可以基于測試樣本的測試效果，選擇適用規(guī)則進行使用，還可以通過對金融機構(gòu)具體應用場景和客群的特征分析，開發(fā)客制化規(guī)則并檢驗效果，擇優(yōu)選用、部署，確保貸前反欺詐效果。

圖2 不同場景下的欺詐方式

一般來說，反欺詐模型有兩種，一是使用大量欺詐樣本，應用規(guī)則引擎及統(tǒng)計分析技術(shù)，進行多維度多規(guī)則的組合，根據(jù)對欺詐識別和預測能力的貢獻，每條規(guī)則被賦予相應的權(quán)重，命中相關(guān)規(guī)則的行為會得到累積的分值，即對單次信貸申請行為的欺詐度的綜合量化結(jié)果，從而來預測欺詐的概率。

圖3 反欺詐-專家判斷模型（規(guī)則引擎）

另一種是反欺詐機器學習模型，它指的是采用數(shù)據(jù)挖掘方法，基于歷史（即已知的欺詐申請和正常申請）而建立的分類模型，通過機器訓練利用海量數(shù)據(jù)來對借款人進行判斷。

圖4 反欺詐-機器學習模型

機器學習主要有兩種學習方式，監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習模型，通過已有的訓練樣本（即已知數(shù)據(jù)以及其對應的輸出）去訓練得到一個最優(yōu)模型，具有對未知數(shù)據(jù)進行推測和分類的能力，比如在已知“好”和“壞”標簽的前提下，嘗試從歷史數(shù)據(jù)中，挖掘出欺詐團伙的典型特征和行為模式，從而遇到相似的行為時可以分辨是否是欺詐團伙。

監(jiān)督模型雖然在預測準確性上有不錯的表現(xiàn)，但是，實際情況中，“好”和“壞”的標簽往往很難得到。因此，在沒有額外信息的時候，就需要通過無監(jiān)督學習模型進行分析。無監(jiān)督式學習網(wǎng)絡在學習時并不知道其分類結(jié)果是否正確，也沒有告訴它何種學習是正確的)，僅提供輸入范例，而它會自動從這些范例中找出其潛在類別規(guī)則。當學習完畢并經(jīng)測試后，便可以將之應用到新的案例上。

在反欺詐規(guī)則引擎中，這些甄別欺詐行為的規(guī)則依賴于從大量歷史案例中總結(jié)出來的“專家知識”，而機器學習模型采用更復雜的算法建立的模型，需要大量數(shù)據(jù)建立一個良好的訓練集，以保證輸出結(jié)果的準確?；趦深惸Ｐ透髯缘膬?yōu)劣勢，在應用其評分結(jié)果時，百融建議根據(jù)金融機構(gòu)的實際情況，制定分階段應用策略，并持續(xù)監(jiān)控和改進模型。

圖5 兩種模型的應用策略

上文提到欺詐行為呈現(xiàn)團伙化特征，關(guān)系網(wǎng)絡提供了全新的反欺詐分析角度，通過無監(jiān)督學習算法，挖掘詐騙團伙的特征，從而識別詐騙團伙。

亞里士多德提出“人是社會性動物”，社會個體成員之間因為互動而形成的相對穩(wěn)定的關(guān)系體系，關(guān)系網(wǎng)絡關(guān)注的是人們之間的互動和聯(lián)系，社會關(guān)系包括朋友關(guān)系、同學關(guān)系、生意伙伴關(guān)系、種族信仰關(guān)系等，經(jīng)由這些社會關(guān)系，把從偶然相識的泛泛之交到緊密結(jié)合的家庭關(guān)系的各種人們或組織串連起來。

關(guān)系網(wǎng)絡指的是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點和邊組成，每個節(jié)點代表一個個體，每條邊為個體與個體之間的關(guān)系。關(guān)系網(wǎng)絡把不同的個體按照其關(guān)系連接在一起，從而提供了從“關(guān)系”的角度分析問題的能力，這就讓我們可以從正常行為中識別出到異常的團伙欺詐行為。

圖6 關(guān)系網(wǎng)絡圖

異常檢測是在無監(jiān)督模型學習中比較有代表性的方法，即在數(shù)據(jù)中找出具有異常性質(zhì)的點或團體。在檢測欺詐團體的情況下，異常檢測被認為是比較有效果的。比如一般情況下在關(guān)系網(wǎng)絡中，正常的個體應該是與另一個節(jié)點組成一度關(guān)系，如果出現(xiàn)與其它眾多節(jié)點關(guān)系密切，關(guān)系在二度以上，且網(wǎng)絡中有多個節(jié)點具有欺詐嫌疑，則這個關(guān)系網(wǎng)絡的團體可以看作是異常，其每個節(jié)點均有可能是欺詐團伙的參與者，發(fā)生借貸行為時，可以進行重點審查或直接拒絕。異常檢測并不能夠明確的給出一個團體是否欺詐，但是可以通過這種方法排查出可疑的團伙，從而進行調(diào)查。

綜上所述，從金融機構(gòu)的業(yè)務流程來看，風險是存在于信貸行為的整個生命周期的，百融通過用戶畫像、反欺詐識別、信用評估等手段建立貸前審核、貸中監(jiān)控、貸后管理的信貸全生命周期風控體系，幫助金融機構(gòu)降低潛在風險。

圖7 全生命周期管理方案

實施過程

1、客群分析

在建立模型前，百融金服將根據(jù)信用卡中心的業(yè)務模式和客戶群體特征，明確客群分類，以此來確定模型的種類，確保模型準確性的前提下避免重復工作。根據(jù)信用卡中心的客群分析研究結(jié)果，識別其風險特征，確定與其信用風險強相關(guān)的變量，與百融金服進行聯(lián)合建模。

2、客制化建模

在建模的過程中，百融金服的專業(yè)人員該信用卡中心的業(yè)務人員共同對貸前反欺詐、信用評估、建模、貸中監(jiān)控等環(huán)節(jié)進行深入研究和探討，及時根據(jù)其信用卡中心的需求對模型進行調(diào)整。

欺詐檢測方面，通過收集和整理各行業(yè)、機構(gòu)的黑名單信息，通過多樣化的機器學習模型及大數(shù)據(jù)關(guān)聯(lián)分析等技術(shù)，給銀行、個人等企業(yè)提供風險管控和反欺詐的服務。

風險評級方面，使用專業(yè)技術(shù)和工具，評估風險賬戶相關(guān)數(shù)據(jù)的客觀性、準確度，量化其信用風險、履約等能力;在控制風險前提下，使個人能夠?qū)崿F(xiàn)安全匯款。

建模方面，根據(jù)該銀行信用卡的業(yè)務特征以及百融在同業(yè)的實踐經(jīng)驗，本項目將主要采用廣義線性模型框架下的邏輯回歸模型來實現(xiàn)。邏輯回歸模型具有穩(wěn)定性高、解釋性強、部署簡易的優(yōu)點，使得其廣泛的應用于風險評估、市場營銷等諸多領(lǐng)域。評分將基于科學且嚴密的建模流程，同時建模過程中將充分吸收百融金服積累的專家經(jīng)驗與行業(yè)經(jīng)驗，形成最終的最適用于其信用卡中心的定制化評分。定制化評分將助力其信用卡中心提升信用風險評估的精準性，提升審批效率和審核通過率。

貸中監(jiān)控方面，發(fā)掘與相關(guān)賬戶的信用相關(guān)的預警信息，形成預警信號并向相關(guān)風險管理系統(tǒng)主動推送，進而跟蹤預警信號處置流程，直至形成最終結(jié)論或風險管控方案，形成一個風險預警、通知、處置和關(guān)閉的閉環(huán)處理流程。

3、查詢接口

百融將根據(jù)該銀行信用卡中心的需求，提供網(wǎng)頁查詢和專線接口查詢兩種方式。

1）接口查詢方式

百融提供相應的接口程序，接口可支持不同業(yè)務系統(tǒng)開發(fā)不同接口查詢功能，保證拓展性的基礎上，可實現(xiàn)單筆查詢和批量查詢兩種功能，滿足該銀行信用卡中心發(fā)起一次查詢返回所有結(jié)果的需求。其中，單筆查詢和批量查詢都可滿足實時返回查得結(jié)果需求。

2）網(wǎng)頁查詢方式

百融將為該銀行信用卡中心提供網(wǎng)頁查詢方式，用戶可通過網(wǎng)頁輸入相關(guān)信息進行查詢，網(wǎng)頁版是百融自主研發(fā)的風險羅盤系統(tǒng)，同樣支持單筆和批量兩種查詢方式。其中，單筆查詢和批量查詢都可滿足實時返回查得結(jié)果需求。

結(jié)果/效果總結(jié)

百融征信局評分在銀行客群上具有優(yōu)秀的風險區(qū)分度和穩(wěn)定的排序能力，與銀行申請評分交叉使用后可以更精準得區(qū)分出好壞客戶。對于無央行征信報告的客戶，百融仍能對75%以上的客戶實現(xiàn)風險區(qū)分，經(jīng)過百融評分，找回了原本認為壞的客戶，拒絕了原本認為好的客戶，在保持通過率基本不變的情況下，審批通過率提升了8%，實現(xiàn)不良率由1.54%下降至1.25%，降低銀行約20%的損失。

總結(jié)

以上是生活随笔為你收集整理的某银行信用卡中心——大数据反欺诈应用案例 2017-06-23 10:54 本篇案例为数据猿推出的大型“金融大数据主题策划”活动（查看详情）第一部分的系列案例/征文；感谢 百融金服 的投递 作为整体的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。