时间: 2021-08-03 09:32:09 人气: 10 评论: 0
欺诈从本质上来看是操作风险的一种，而信贷反欺诈的常用手段有名单库、专家策略、机器学习三种。信贷反欺诈的手段虽多，但是都必须建立在深入理解平台业务的基础之上。
低廉的造假成本和层出不穷的欺诈手段，给一个信贷机构带来的不仅仅是风险损失，更给信贷机构带来极大的挑战。
在整个信贷流程中，如何在贷前申请中准备快速地识别欺诈风险，将欺诈群体拒之门外是业务的重中之重。
欺诈从本质上来看是操作风险的一种。
在信贷行业，据悉70%以上的风险来自欺诈风险，而欺诈形式多种多样，如身份造假、中介黑产、内外勾结等等。从欺诈主体来看，可以分为第一方欺诈、第二方欺诈、第三方欺诈。
第一方欺诈，主要是申请贷款本人恶意骗贷、还款意愿极低、拒绝还款等；第二方欺诈是指内部欺诈或内外勾结；而第三方欺诈主要是盗用冒用他人身份、他人账号以及团伙欺诈等。
这其中：团伙欺诈已形成一个黑色产业链，黑中介通过购买个人信息、和客户联合等手段进行欺诈。
所以，信贷反欺诈就是和欺诈人员斗智斗勇的过程：欺诈分子一直在寻找业务的漏洞，而反欺诈人员则需要在不断变化的漏洞中打上一个个“补丁”。
那么，该如何在贷前阶段做好申请反欺诈呢？
其实要解决的问题无非就是判断申请借款的是人还是机器？是本人还是他人？是价值用户还是无效用户？
目前贷前反欺诈常用的手段有名单库、专家策略、机器学习等。
名单库筛选就是我们常说的黑白名单。名单库一般通过平台内部进行积累，或与其他合作机构合作进行获取。黑名单在很大程度上避免了重复欺诈行为的发生，也是一种逻辑简单、成本较低的反欺诈手段。
当然，黑名单覆盖群体较小、需要时间积累，也存在准确率较低、名单库易污染等缺点，但是可以作为反欺诈的第一道过滤。
同理，白名单一般指平台内部的优质客户列表，建立白名单库可以有效且降低公司的成本和信用风险，提高放款效率。
贷前反欺诈一般都是先有专家策略进行冷启动，等数据积累到一定程度的时再慢慢地对数据进行挖掘，并对策略进行调优或者构建模型。
很多人都觉得专家策略不过是“拍脑袋”，其实反欺诈策略往往基于策略人员以往的经验和踩过的“坑”，并以研究欺诈者的行为和心理为基础而制定。
而且，目前的信贷反欺诈手段中，专家策略比较常用且较为成熟。当借款人的操作请求和操作行为触发反欺诈规则、并达到一定的程度时，即被认定为欺诈行为。合作方可以启动拦截，或进行人工审核，如客户的行为异常监测策略、设备类异常策略、聚集度策略等。
现在欺诈手段日新月异，欺诈人员和策略人员处于攻与防的角色，如果无法在第一时间做出反应，需要事后进行大量的数据分析和挖掘后才能提取新的特征和规则。
而专家策略往往存在一定程度上的误杀率，而误杀率的高低取决于策略人员的经验水平，不同的策略人员制定的专家策略也**存在较大的区别，呈现不同的效果。
此外，策略需要不定期进行更新，并要严格保密，一旦泄露将对平台造成不可挽回的损失。因此，专家策略实现简单，可解释性强，但**存在滞后性。
顶象技术在贷前反欺诈策略方面有较为丰富的策略模板，通过对客户个人信息、设备指纹、操作行为、位置等各个维度进行欺诈识别，帮助合作方识别出风险较高的客户，力争将合作方的欺诈风险降至最低。
近年来，机器学习在反欺诈方面的应用越来越广。
常见的机器学习反欺诈分为有监督和无监督两种，它们通过机器学习方法，收集客户各个维度的数据，结合当前用户特征，与欺诈建立起关联关系，实时识别用户欺诈行为。
有监督机器学习反欺诈是目前机器学习反欺诈中较为成熟的一种方法，它通过大量客户的历史表现数据，进行标签化，并利用相关算法，提取特征，发现欺诈行为的共同点，进行识别。
而无监督机器学习反欺诈则相对较新，只是通过对用户的各纬度数据特征的聚类，找出与大多数用户和行为差异较大的用户和操作请求，并予以拦截。采用无监督机器学习，可以有效地识别团伙欺诈行为，让欺诈团伙无处遁行。
俗话说：“不管黑猫白猫，能抓到老鼠的就是好猫”，无论是专家策略、还是机器学习，无论是有监督还是无监督，都有其优劣性，没有所谓的好坏之分，只有合适与否。总之，反欺诈的方法虽然很多，但信贷反欺诈必须建立在深入理解平台业务的基础之上。
本文由 @金融科 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
