關于消費金融反欺詐與風控的思考

萬一覽 張威

摘要：當前消費金融市場首先是欺詐與反欺詐的博弈戰(zhàn)場，機構的反欺詐技術不斷完善，但欺詐的技術手段也在不停變化，一旦反欺詐手段跟不上，風控模型泄露或被識破，消費金融機構就極易受到網(wǎng)絡黑產(chǎn)和團伙詐騙組織化、預謀化的“攻擊”，對業(yè)務造成致命的打擊。在總體風控上，通過貸前反欺詐、貸中實時監(jiān)測、貸后資產(chǎn)管控這三大環(huán)節(jié)，確保風險管理處于科學合理的水平。

關鍵詞：消費金融;全流程風控

一、反欺詐是業(yè)務開展的先決條件

在業(yè)務開展第一環(huán)節(jié)有效識別客戶欺詐行為，對貸前授信大數(shù)據(jù)風控模型評分結果有重大意義，可降低授信后資產(chǎn)損失的可能性。網(wǎng)絡黑色產(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)模已達千萬級別。鑒于此，利用智能技術建立多樣化的反欺詐手段已刻不容緩。例如，通過ID-Mapping技術實現(xiàn)人、賬號、設備等關聯(lián)，識別設備異常、高危賬號;通過人臉識別、聲紋等生物技術特征驗證身份;通過關聯(lián)網(wǎng)絡構建欺詐圖譜等，打擊黑產(chǎn)、黑中介等團伙欺詐。

當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進行包裝的行為。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.團伙欺詐。團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（手機號販賣及驗證），某成員懂得風控知識。團伙騙貸的一般流程為：收集口子—買/養(yǎng)資料—探測規(guī)則—實際操作。

4.內(nèi)外勾結。指消費金融機構的內(nèi)部職員與外部不法人員相互勾結，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，但他們懂得風控技術、了解平臺弱點、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。

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)驗設定的規(guī)則、特征對每一筆交易進行事中識別，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)分析和應對機制三個階段。

首先，金融機構從自有信息和公開信息中采集客戶數(shù)據(jù)是反欺詐技術的基礎。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、地理位置設備信息等，通過核心算法，借助人工智能和機器學習技術從自動行為模式學習到自動異常檢測。

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，構建關系圖譜，有效防范團伙欺詐行為。結合大數(shù)據(jù)進行歷史分析還可提供市場評估，預判大型和復雜的欺詐風險。

其次，消費金融機構可搭建自動化反欺詐應用平臺，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，進而應用于反欺詐平臺。當前主流的數(shù)據(jù)分析模型主要有業(yè)務規(guī)則模型和機器學習模型兩種。

業(yè)務規(guī)則模型是指基于已知的傳統(tǒng)欺詐模型，利用預定義的語義模塊，編寫分離于程序代碼之外的業(yè)務決策，可實現(xiàn)風險決策邏輯和應用邏輯的分離，給予業(yè)務人員配置反欺詐規(guī)則的自主權。業(yè)務規(guī)則模型支持復雜規(guī)則處理，例如，對于申請欺詐行為，采用黑名單認定、身份證確認、IP地址、手機號碼等規(guī)則模型進行判定;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)則模型進行判定。

機器學習模型基于統(tǒng)計分析技術，通過對數(shù)據(jù)的整理分析訓練出合適的決策機制。常見的機器學習模型有神經(jīng)網(wǎng)絡模型和隨機森林模型。神經(jīng)網(wǎng)絡模型是模仿人類大腦神經(jīng)突觸聯(lián)結而搭建的信息處理模型，借鑒動態(tài)博弈理論，在信息中挖掘風險特征，對金融交易進行風險評分，預測未知欺詐概率。隨機森林模型算法的精準度更高，在數(shù)據(jù)分析中強調(diào)變量和數(shù)據(jù)關系，隨機構建分類決策樹并匯總結果。

最后，應對機制分為兩個流程，即欺詐行為的事中干預和事后改進。反欺詐事中干預機制是指在決策引擎識別到金融欺詐行為時，通過技術手段來阻止欺詐行為的發(fā)生。針對不同的欺詐場景，可以采取對應的干預措施。第一類措施是通過精準識別風險用戶，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行風險估測，對可疑交易進行攔截，并發(fā)送驗證碼核實或人工核實，且在后臺登記交易攔截記錄并凍結欺詐者的賬號;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險用戶的金融服務申請，并利用核心算法對所有用戶進行風險評估。

展望反欺詐技術趨勢，一是人工智能被持續(xù)關注，應用不斷深化;二是云計算應用將不斷深化，云平臺可以幫助機構處理網(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)來控制風險防范欺詐;三是生物識別技術的發(fā)展，如記錄用戶打字速度和鼠標瀏覽網(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)塊鏈技術的應用，如在身份驗證領域。欺詐與反欺詐永遠是博弈的過程、對抗和反對抗的過程，欺詐行為也將驅動反欺詐技術不斷發(fā)展。

二、實行并實現(xiàn)全流程管控

全流程風控，包括貸前準入（反欺詐、用戶畫像、風險識別）——貸中管理（信用行為追蹤、共債風險識別、信用風險預警）——貸后策略（復貸營銷、智能催收）。目前大多數(shù)消費金融機構能夠實現(xiàn)各環(huán)節(jié)的全流程閉環(huán)管理，但在風控模型建立和控制技術方面，水平差異較大。

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

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

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

在貸后策略環(huán)節(jié)，風控技術一是復貸營銷，通過會員體系、獎勵機制進行精準營銷，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、風險行為預警。

在風控模型建立方面，關鍵點一是數(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、工商、司法、環(huán)保、不動產(chǎn)、學歷學位、黑名單）的標準化處理，梳理形成如客戶基本信息、財務信息、風險數(shù)據(jù)、信用數(shù)據(jù)等基礎數(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，支持關鍵風險指標及時監(jiān)測預警。

在控制技術方面，一是實現(xiàn)實時監(jiān)測預警，基于大數(shù)據(jù)風險模型，在業(yè)務和管理過程中動態(tài)跟蹤、監(jiān)測風險信號;二是對風險預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控模型;四是實現(xiàn)風控體系自學習并快速迭代?；谝?guī)則評價效果，持續(xù)進化能力和增量升級，實現(xiàn)模型自迭代。