前言

支付欺詐風(fēng)險(xiǎn)是攜程金融風(fēng)控團(tuán)隊(duì)的主要防控對(duì)象，它一般是指用戶卡片信息或賬號(hào)信息泄露后，欺詐分子利用這些信息在攜程平臺(tái)進(jìn)行銷贓，侵害用戶資金安全，給用戶和攜程平臺(tái)帶來損失。

1. 高對(duì)抗性

欺詐分子的作案手段絕非一成不變，他們也會(huì)根據(jù)我們的策略攔截結(jié)果對(duì)作案方式不斷調(diào)整，不斷形成風(fēng)險(xiǎn)轉(zhuǎn)移，如果我們的策略模型不及時(shí)追蹤這種變化，則無法做到"見招拆招"。

2. 復(fù)雜性

為了躲避風(fēng)險(xiǎn)控制的策略規(guī)則，欺詐分子也會(huì)盡力模仿正常用戶的消費(fèi)行為，而且從目前的數(shù)據(jù)來看，支付欺詐場景的批量操作行為比業(yè)務(wù)作弊場景少很多，原因是在攜程平臺(tái)上，欺詐分子相當(dāng)于一個(gè)承接正常用戶需求的代訂中介，在沒有需求的情況下，他們沒有必要通過走量的形式進(jìn)行銷贓。這樣的業(yè)務(wù)特性導(dǎo)致支付欺詐多為無規(guī)律性的單點(diǎn)攻擊，普通規(guī)則在模擬這種復(fù)雜邏輯場景的時(shí)候會(huì)存在一定劣勢，通常要么精度不夠，造成誤攔截過多，要么無法捕捉作案手法。與普通規(guī)則不同的是，模型可以在多變量前提下進(jìn)行數(shù)據(jù)擬合，從而捕捉復(fù)雜作案手法。

3. 壞樣本稀少

在支付反欺詐場景中，壞樣本的主要來源有兩部分：在風(fēng)控運(yùn)營過程中，人工攔截或規(guī)則、模型自動(dòng)攔截的風(fēng)險(xiǎn)訂單；風(fēng)控策略無法識(shí)別并最終產(chǎn)生損失的風(fēng)險(xiǎn)訂單。在風(fēng)險(xiǎn)訂單中，風(fēng)控策略能夠攔截的占絕大部分，而我們需要注意的恰恰是無法識(shí)別的那部分，但這部分案件樣本相當(dāng)稀少，這給規(guī)則和模型的學(xué)習(xí)帶來不小的挑戰(zhàn)。

01風(fēng)控變量體系

數(shù)據(jù)決定模型的上限。

總結(jié)

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（七十九）-深度学习应用实战案例：携程金融自动化迭代反欺诈模型体系的全部內(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(cuò)，歡迎將生活随笔推薦給好友。