關(guān)于消費(fèi)金融反欺詐與風(fēng)控的思考

萬一覽 張威

摘要：當(dāng)前消費(fèi)金融市場首先是欺詐與反欺詐的博弈戰(zhàn)場，機(jī)構(gòu)的反欺詐技術(shù)不斷完善，但欺詐的技術(shù)手段也在不停變化，一旦反欺詐手段跟不上，風(fēng)控模型泄露或被識破，消費(fèi)金融機(jī)構(gòu)就極易受到網(wǎng)絡(luò)黑產(chǎn)和團(tuán)伙詐騙組織化、預(yù)謀化的“攻擊”，對業(yè)務(wù)造成致命的打擊。在總體風(fēng)控上，通過貸前反欺詐、貸中實(shí)時監(jiān)測、貸后資產(chǎn)管控這三大環(huán)節(jié)，確保風(fēng)險管理處于科學(xué)合理的水平。

關(guān)鍵詞：消費(fèi)金融;全流程風(fēng)控

一、反欺詐是業(yè)務(wù)開展的先決條件

在業(yè)務(wù)開展第一環(huán)節(jié)有效識別客戶欺詐行為，對貸前授信大數(shù)據(jù)風(fēng)控模型評分結(jié)果有重大意義，可降低授信后資產(chǎn)損失的可能性。網(wǎng)絡(luò)黑色產(chǎn)業(yè)龐大，盜身份、養(yǎng)號、騙貸、偽基站、撞庫、黑中介等欺詐行為屢見不鮮，規(guī)模已達(dá)千萬級別。鑒于此，利用智能技術(shù)建立多樣化的反欺詐手段已刻不容緩。例如，通過ID-Mapping技術(shù)實(shí)現(xiàn)人、賬號、設(shè)備等關(guān)聯(lián)，識別設(shè)備異常、高危賬號;通過人臉識別、聲紋等生物技術(shù)特征驗證身份;通過關(guān)聯(lián)網(wǎng)絡(luò)構(gòu)建欺詐圖譜等，打擊黑產(chǎn)、黑中介等團(tuán)伙欺詐。

當(dāng)前欺詐類型主要包括：

1.虛假申請。指貸款申請人在提交申請材料的時候，通過刻意偽造、盜用、隱瞞的手段對自身資質(zhì)進(jìn)行包裝的行為。如以動態(tài)合成人像圖片等虛假信息申請。

2.惡意借款。在網(wǎng)絡(luò)借貸行業(yè)中，由于違約成本較低，征信體系不完善，存在部分借款人沒有還款意愿，甚至部分惡意借款人故意拖欠借款本息。

3.團(tuán)伙欺詐。團(tuán)伙成員的背景往往不同，比如某成員有養(yǎng)卡經(jīng)歷，某成員是羊毛黨（手機(jī)號販賣及驗證），某成員懂得風(fēng)控知識。團(tuán)伙騙貸的一般流程為：收集口子—買/養(yǎng)資料—探測規(guī)則—實(shí)際操作。

4.內(nèi)外勾結(jié)。指消費(fèi)金融機(jī)構(gòu)的內(nèi)部職員與外部不法人員相互勾結(jié)，通過偽造資料等非法手段套取資金、騙取貸款。

5.黑中介。黑中介本身不申請貸款，也不放貸，但他們懂得風(fēng)控技術(shù)、了解平臺弱點(diǎn)、掌握信貸資源，通過幫助劣用戶包裝材料、炒作信用、騙取額度來賺取高額手續(xù)費(fèi)。

6.交易欺詐。指貸后發(fā)生的非本人意愿的交易，常見于信用卡或虛擬信用卡產(chǎn)品上。

目前行業(yè)內(nèi)使用的反欺詐系統(tǒng)為被動防御手段，利用基于已有經(jīng)驗設(shè)定的規(guī)則、特征對每一筆交易進(jìn)行事中識別，但對于新的攻擊手段或是漏洞就很難識別。金融科技反欺詐系統(tǒng)包含數(shù)據(jù)采集、數(shù)據(jù)分析和應(yīng)對機(jī)制三個階段。

首先，金融機(jī)構(gòu)從自有信息和公開信息中采集客戶數(shù)據(jù)是反欺詐技術(shù)的基礎(chǔ)。外部和內(nèi)部數(shù)據(jù)采集：外部數(shù)據(jù)包含公開的黑名單庫、失信名單庫、高危賬號庫，用戶行為數(shù)據(jù)庫和地理位置庫等，用此對用戶的金融行為進(jìn)行覆蓋式檢測;內(nèi)部數(shù)據(jù)包括客戶生物特征、地理位置設(shè)備信息等，通過核心算法，借助人工智能和機(jī)器學(xué)習(xí)技術(shù)從自動行為模式學(xué)習(xí)到自動異常檢測。

利用數(shù)據(jù)平臺海量豐富的數(shù)據(jù)信息流，對客戶金融行為進(jìn)行數(shù)據(jù)記錄，形成用戶畫像，也可通過共用IP地址、通訊記錄、交易記錄等，構(gòu)建關(guān)系圖譜，有效防范團(tuán)伙欺詐行為。結(jié)合大數(shù)據(jù)進(jìn)行歷史分析還可提供市場評估，預(yù)判大型和復(fù)雜的欺詐風(fēng)險。

其次，消費(fèi)金融機(jī)構(gòu)可搭建自動化反欺詐應(yīng)用平臺，利用數(shù)據(jù)分析挖掘工具，從海量的信息中提煉欺詐特征，進(jìn)而應(yīng)用于反欺詐平臺。當(dāng)前主流的數(shù)據(jù)分析模型主要有業(yè)務(wù)規(guī)則模型和機(jī)器學(xué)習(xí)模型兩種。

業(yè)務(wù)規(guī)則模型是指基于已知的傳統(tǒng)欺詐模型，利用預(yù)定義的語義模塊，編寫分離于程序代碼之外的業(yè)務(wù)決策，可實(shí)現(xiàn)風(fēng)險決策邏輯和應(yīng)用邏輯的分離，給予業(yè)務(wù)人員配置反欺詐規(guī)則的自主權(quán)。業(yè)務(wù)規(guī)則模型支持復(fù)雜規(guī)則處理，例如，對于申請欺詐行為，采用黑名單認(rèn)定、身份證確認(rèn)、IP地址、手機(jī)號碼等規(guī)則模型進(jìn)行判定;對于交易欺詐行為，采用短期高頻交易、異常大額交易、盜號盜刷等規(guī)則模型進(jìn)行判定。

機(jī)器學(xué)習(xí)模型基于統(tǒng)計分析技術(shù)，通過對數(shù)據(jù)的整理分析訓(xùn)練出合適的決策機(jī)制。常見的機(jī)器學(xué)習(xí)模型有神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型。神經(jīng)網(wǎng)絡(luò)模型是模仿人類大腦神經(jīng)突觸聯(lián)結(jié)而搭建的信息處理模型，借鑒動態(tài)博弈理論，在信息中挖掘風(fēng)險特征，對金融交易進(jìn)行風(fēng)險評分，預(yù)測未知欺詐概率。隨機(jī)森林模型算法的精準(zhǔn)度更高，在數(shù)據(jù)分析中強(qiáng)調(diào)變量和數(shù)據(jù)關(guān)系，隨機(jī)構(gòu)建分類決策樹并匯總結(jié)果。

最后，應(yīng)對機(jī)制分為兩個流程，即欺詐行為的事中干預(yù)和事后改進(jìn)。反欺詐事中干預(yù)機(jī)制是指在決策引擎識別到金融欺詐行為時，通過技術(shù)手段來阻止欺詐行為的發(fā)生。針對不同的欺詐場景，可以采取對應(yīng)的干預(yù)措施。第一類措施是通過精準(zhǔn)識別風(fēng)險用戶，防范并攔截欺詐行為;第二類措施是對金融平臺上的交易行為進(jìn)行風(fēng)險估測，對可疑交易進(jìn)行攔截，并發(fā)送驗證碼核實(shí)或人工核實(shí)，且在后臺登記交易攔截記錄并凍結(jié)欺詐者的賬號;第三類措施是借助數(shù)據(jù)庫和反欺詐模型審核互聯(lián)網(wǎng)金融平臺的用戶資料，提前阻止黑名單和高風(fēng)險用戶的金融服務(wù)申請，并利用核心算法對所有用戶進(jìn)行風(fēng)險評估。

展望反欺詐技術(shù)趨勢，一是人工智能被持續(xù)關(guān)注，應(yīng)用不斷深化;二是云計算應(yīng)用將不斷深化，云平臺可以幫助機(jī)構(gòu)處理網(wǎng)上支付，貸款審批，為客戶提供定制化的金融產(chǎn)品，并且通過整合海量客戶數(shù)據(jù)來控制風(fēng)險防范欺詐;三是生物識別技術(shù)的發(fā)展，如記錄用戶打字速度和鼠標(biāo)瀏覽網(wǎng)頁的方式、用戶觸屏力度、滑屏軌跡、步態(tài)等隱形特征;四是區(qū)塊鏈技術(shù)的應(yīng)用，如在身份驗證領(lǐng)域。欺詐與反欺詐永遠(yuǎn)是博弈的過程、對抗和反對抗的過程，欺詐行為也將驅(qū)動反欺詐技術(shù)不斷發(fā)展。

二、實(shí)行并實(shí)現(xiàn)全流程管控

全流程風(fēng)控，包括貸前準(zhǔn)入（反欺詐、用戶畫像、風(fēng)險識別）——貸中管理（信用行為追蹤、共債風(fēng)險識別、信用風(fēng)險預(yù)警）——貸后策略（復(fù)貸營銷、智能催收）。目前大多數(shù)消費(fèi)金融機(jī)構(gòu)能夠?qū)崿F(xiàn)各環(huán)節(jié)的全流程閉環(huán)管理，但在風(fēng)控模型建立和控制技術(shù)方面，水平差異較大。

金融科技在消費(fèi)金融產(chǎn)業(yè)鏈中不斷滲透，消費(fèi)金融借貸流程中諸多痛點(diǎn)問題得以有效解決。

在貸前準(zhǔn)入環(huán)節(jié)，反欺詐技術(shù)可對客戶進(jìn)行識別和判斷;用戶畫像技術(shù)可模擬出客戶的基本輪廓;通過風(fēng)險識別技術(shù)可自動識別異常交易行為，減少交易風(fēng)險。

在貸中管理環(huán)節(jié)，信用行為追蹤可進(jìn)行大數(shù)據(jù)分析;共債風(fēng)險識別可反饋催收記錄關(guān)聯(lián)交易;信用風(fēng)險預(yù)警基于風(fēng)險監(jiān)測模型，做出預(yù)警。其他貸中監(jiān)測包括貸中動態(tài)復(fù)盤、追溯資金流向、確定特定場景用戶畫像、數(shù)據(jù)隱私保護(hù)、輿論環(huán)境分析等。

在貸后策略環(huán)節(jié)，風(fēng)控技術(shù)一是復(fù)貸營銷，通過會員體系、獎勵機(jī)制進(jìn)行精準(zhǔn)營銷，二是智能催收，包括智能客服、催收策略、網(wǎng)上法庭等。此外，還包括一些其他貸后管理，如內(nèi)部合規(guī)管理、風(fēng)險行為預(yù)警。

在風(fēng)控模型建立方面，關(guān)鍵點(diǎn)一是數(shù)據(jù)整合，通過對行業(yè)內(nèi)交易數(shù)據(jù)和第三方數(shù)據(jù)庫（征信、稅務(wù)、工商、司法、環(huán)保、不動產(chǎn)、學(xué)歷學(xué)位、黑名單）的標(biāo)準(zhǔn)化處理，梳理形成如客戶基本信息、財務(wù)信息、風(fēng)險數(shù)據(jù)、信用數(shù)據(jù)等基礎(chǔ)數(shù)據(jù)模塊，滿足各類模型對多種數(shù)據(jù)模塊的調(diào)取;二是模型完善，建立規(guī)則模型，支持關(guān)鍵風(fēng)險指標(biāo)及時監(jiān)測預(yù)警。

在控制技術(shù)方面，一是實(shí)現(xiàn)實(shí)時監(jiān)測預(yù)警，基于大數(shù)據(jù)風(fēng)險模型，在業(yè)務(wù)和管理過程中動態(tài)跟蹤、監(jiān)測風(fēng)險信號;二是對風(fēng)險預(yù)警和控制過程以可視化的方式展現(xiàn);三是支持基于突發(fā)事件靈活敏捷定制風(fēng)控模型;四是實(shí)現(xiàn)風(fēng)控體系自學(xué)習(xí)并快速迭代。基于規(guī)則評價效果，持續(xù)進(jìn)化能力和增量升級，實(shí)現(xiàn)模型自迭代。