行為數據在線上消費信貸反欺詐中的應用

本文共字，預計閱讀時間。

文/TalkingData 耿舒天

（本文為「2020金融文字節——銀行數位化創新主題徵文大賽」投稿文章。）

隨著技術的革新，金融行業的新模式、新業態不斷湧現，對公共安全和社會治理也提出了諸多新挑戰，如何有效管控這些新模式、新業態，使其朝著正確的軌道穩步前進，是擺在行業和監管部門面前的共同難題。近年來，數字金融行業呈現出涵蓋廣、多元化、增長迅速的特點；與此同時，也有部分欺詐者利用技術、監管和公眾意識等方面的不完善，演繹著千變萬化、層出不窮的欺詐行為。攻堅戰迫在眉睫，數據是排頭兵。本文將結合實例，對行為數據在線上消費信貸反欺詐中的應用，進行簡要的介紹與探討。

一、「握不住的沙」：銀行反欺詐工作面對移動端詐騙的猖獗攻擊

數位技術與金融的融合，以及金融科技的發展和其對傳統金融行業的滲透正成為一種不可逆的潮流，金融行業新模式、新業態不斷呈現。金融科技的應用大幅降低了金融領域的信息不對稱性，為健全多層次金融市場做出極大貢獻。然而這樣的融合也是一把雙刃劍，技術在創造便利的同時，也帶來了風險——利用技術手段的新型金融欺詐變化多端、如影隨形。金融欺詐行為已呈現出高頻化、產業化、隱蔽化等新特徵，對傳統的反欺詐手段形成極大挑戰：

• 高頻化：移動終端是眾多消費信貸業務的流量入口。每年，全球針對移動端的詐騙攻擊增長率約為24%；其中，消費金融壞帳的損失超50%都源於金融欺詐；
• 隱蔽化：移動端便捷、高效，但隱匿性強、難於追蹤，已成為滋生欺詐的「溫床」；
• 產業化：欺詐行為已越來越群體化：專門設備、專業團隊、專人設局、專人銷贓，形成有組織、成規模、分工明確、合作緊密、協同作案和「黑色產業鏈」，從業人數超150萬。

很多業內人士感慨：「信用風險尚且可控，欺詐行為卻防不勝防。」

因此，針對金融領域的反欺詐技術也應不斷革新，既要精準打擊存在的風險，也要執棋先行，做到防患於未然。

二、「劍走偏鋒」：行為數據對反欺詐模型的加持

大數據技術，使得更具前瞻性和精準性的反欺詐手段成為可能。而其中的行為數據具有體量大、直觀性強的優勢，但因其不是傳統的「數字」形式，一直以來都是一片很容易被忽略其價值的領域。實際上，相較於傳統手段，行為數據可作為有效的補充對反欺詐流程和規則形成「加持」。運用行為數據重構線上反欺詐方案，優勢明顯：它能夠覆蓋營銷、貸前、中、後四階段，運用數學、統計學以及人工智慧的方法，精確識別異常行為。

（一）流程優化

圖表 1：行為數據反欺詐對整體反欺詐工作的流程優化

行為數據可作為前置「鋒線」，以更為直觀、更易理解、更高速快捷的方式，對交易方是否涉嫌欺詐進行快速篩選，從而在大大提高效率的同時，也有效提高預測精度。

（二）規則優化

圖表 2：行為數據反欺詐對整體反欺詐工作的規則優化

以行為變量為基礎設計反欺詐策略的主要工作，一是基礎規則的開發和規則風險等級劃分；二是決策規則開發，以對整個風控策略形成一定補充，更早地識別客戶風險水平。通過設備埋點，獲取和積累大量線上交易行為數據；經過脫敏清洗與整理，將特徵行為進行標準化提取，設計反欺詐策略；當設備行為反欺詐策略運營一定時間後，積累了一定客戶數據和欺詐表現，即可開發反欺詐模型並制定評分規則，優化設備行為策略。

這一方案設計的大前提是，「事出異常必有妖」——認為在欺詐過程中，一定存在異於常人的行為，且能夠被清晰捕捉。例如，輸入用戶名密碼時的按鍵行為——第N個按鍵按下與彈起的時間（按鍵時長）；2個按鍵之間間隔時長（移動距離）；誤按漏按行為模式；明顯變慢/猶豫-明顯變快/按鍵使用手指邊緣；使用其與歷史紀錄的偏離度作比較、打分等。再比如，根據登錄時間、上網環境等判斷——如果一個用戶總是在東八區的凌晨三點頻繁登錄進行交易，那欺詐的可能性就會比在正常作息的用戶高。

三、「初露鋒芒」：實戰中的反欺詐策略設計

（一）數據獲取

基於行為數據的反欺詐方案設計的基礎是用戶行為數據的積累，在實踐中通過設備埋點獲取。

對基於用戶行為的數據平臺來說，發生在用戶界面的、能獲取用戶信息的觸點就是用戶數據的直接來源，而建立這些觸點的方式就是埋點。當這些觸點獲取到用戶行為、身份數據後，會通過網絡傳輸到伺服器端進行後續的處理。

從準確性角度考慮，埋點分為客戶端埋點和服務端埋點。客戶端埋點，即在客戶操作界面中，當客戶產生動作時對其行為進行記錄，這些記錄只會在客戶端發生，不會傳輸到伺服器端；而服務端埋點，則通常是在程序和資料庫交互的界面進行埋點，這時的埋點會更準確地記錄數據的改變，同時也會減小由於網絡傳輸等原因而帶來的不確定性風險。

通過埋點，我們能夠獲取帳戶註冊、認證行為、登陸行為、借貸申請行為、網絡信息等五大類信息，經過加工形成變量，為後續策略設計提供了大量數據基礎。

圖表 3：埋點收集信息的維度

圖表 4：埋點信息和加工變量列表（部分）

（二）策略設計

這一步是整個方案設計的重中之重，需要將具象化的、各異的行為數據進行抽象化、總結性、標準化的清洗和描述，綜合數學、統計學、網絡工程學、生物學、社會學等多學科知識，結合專家判斷，進行量化研究和策略設定。

下表是一個示例：

圖表 5：反欺詐規則列表（部分）

策略提取後，還需對各規則進行具體量化設計，設定閾值，並綜合運用聚類分析、AHP等統計學方法，對規則進行「高中低」不同風險等級的分類，在實際運行中不斷校正，為後續模型構建和決策建議設計做準備。

（三）模型構建和決策建議

當設備行為反欺詐策略運營一定時間後，積累了一定客戶數據和欺詐表現，即可開發反欺詐模型並制定評分規則，指定標準評分，優化設備行為策略。

（四）模型校驗

在本次實例中，採用KS值對模型進行評價，KS值越大則表示模型能夠將正、負客戶區分開的程度越大，通常來講KS>30%即表示模型有較好的預測準確性。此次模型KS值為41.19%，說明好壞樣本區分度高，模型效果良好。

圖表 6：反欺詐模型校驗結果

（五）實戰效果

經過行為數據加持，反欺詐模型區分度較原有策略提升50%以上，運行一段時間後，新客戶壞帳率下降30%，充分體現了行為數據在線上消費反欺詐應用中的價值。

四、結語

從基於大數據的金融反欺詐的實踐經驗來看，反欺詐之戰不是某一種技術或方法的單打獨鬥，而是一場集數據、技術和機制於一體的綜合防禦戰。其中，數據是反欺詐體系建設的核心和根基，技術是打贏反欺詐之戰的重要支撐，機制是優化反欺詐效果、提升反欺詐能力的重要保障。行為數據的應用，為大數據風控領域開拓了一條新的思路，合理高效應用行為數據，能夠進一步夯實「數據」這一反欺詐體系建設的核心根基。「路漫漫其修遠兮，吾將上下而求索」，只有立淨化行業之志、舉全行業之力，在反欺詐體系建立上加強合作、信息共享、共防共御，良性健康的數字金融生態圈才能逐步形成。

[Source]

本文系未央網專欄作者發表，屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！

本文為作者授權未央網發表，屬作者個人觀點，不代表網站觀點，未經許可嚴禁轉載，違者必究！

本文版權歸原作者所有，如有侵權，請聯繫刪除。