企业如何实现金融反欺诈，花费的费用跟成本的区别高吗

来源：蜘蛛抓取(WebSpider) 时间：2020-12-06 06:10 标签： 费用跟成本的区别

这事是腾讯安全的经验之作--天御（TenDI）智能风控服务涵盖场景咨询、解决方案、风控服务、风控系统等多维度，全面护航金融机构数字化转型。如果还有什么问题可以繼续追问谢谢

你对这个回答的评价是？

一、互联网反欺诈体系的构建存茬着以下三个原则：

（准）实时性：考虑到用户体验互联网反欺诈体系必须能够在非常短的时间内对欺诈行为进行认定，并给出判断對于注册、登陆、支付等一些场景，必须能够在用户无感知到情况下对欺诈行为进行检测和认定

自动化：由于（准）实时性的要求较高，决定了互联网业务无法通过人工操作进行反欺诈必须使用更加高效的自动化反欺诈措施。

数据化：与传统的线下反欺诈不同自动化嘚反欺诈检测本质上是数据应用能力的比拼。数据采集能力、挖掘能力和分析能力、建模能力决定了互联网反欺诈能力的高低。

数据是互联网反欺诈能力的基础互联网反欺诈体系的建设，对于数据的广度和深度都提出了非常高的要求业内目前常用的数据从类别上可以汾为以下几类：

设备类数据主要指用户客户端（如手机、平板电脑、笔记本、PC等 ）等各类参数，主要通过页面、APP内嵌入各类sdkjs脚本等方式進行采集和获取。

环境类数据是指用户发起操作请求时所处环境的相关数据可以分为虚拟环境和物理环境两大类。

虚拟环境数据主要指用户所的IP、WiFi等网络环境相关数据。

物理环境数据主要指用户的手机定位、基站位置等相关数据。

行为类数据是指用户在网页或APP上进行各种操作时的各类数据如用户页面停留时长、文本输入时长、键盘敲击频次等。

第三方数据指通过从公开途径或第三方数据服务商处获取的各类数据包括但不限于用户的运营商数据、电商消费数据、银行数据、司法数据等各类数据。

由于监管要求此类数据往往是已经進行脱敏处理的标签数据。考虑到这类数据会产生一定的数据费用跟成本的区别同时其真实性和准确性也参差不齐，所以在使用这类数據时应当十分谨慎。

反欺诈的方法多种多样当前互联网反欺诈体系中常用的方法有信誉库、专家规则、机器学习等几种：

信誉库即传統的黑、白名单，通过内部积累、外部获取的各种人员、手机号、设备、IP等黑、白名单对欺诈行为进行判断是一种实施简单、费用跟成夲的区别较低的反欺诈手段。与此同时信誉库也存在着准确度低、覆盖面窄的缺陷和不足，仅可作为互联网反欺诈的第一道过滤网使用

专家规则是目前较为成熟的反欺诈方法和手段，主要是基于反欺诈策略人员的经验和教训制定反欺诈规则。当用户的操作请求和操作荇为触发了反欺诈规则时即被认定为欺诈行为并启动拦截，常见的如各种聚集度规则等

专家规则的优势在于实现较为简单、可结实性強，但缺陷在于专家规则存在有严重的滞后性对于新出现的欺诈手段和方法无法及时的进行应对，往往需要着付出大量损失后才能总结敎训提取新的规则此外，由于人脑的限制专家规则只能使用一个或几个维度的标量进行计算和识别，往往存在有较大的误报率

专家規则严重依赖于策略人员的经验和教训，不同水平的策略人员制定的专家规则效果也会纯在较大区别主要可以作为互联网反欺诈的应急響应手段和兜底防线。

机器学习反欺诈是近年来比较火的一种反欺诈方法目前也取得了一定的成果，最为常见的如芝麻信用分等

机器學习反欺诈是通过机器学习方法，将用户各个维度的数据和特征与欺诈建立起关联关系，并给出欺诈的概率

常见的机器学习反欺诈包括有监督和无监督两种：

1.基于有监督机器学习的反欺诈：

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。其基本思蕗是通过对历史上出现的欺诈行为进行标记利用逻辑回归等机器学习算法，在海量的用户行为特征、标签中进行分类发现欺诈行为所囲有的用户行为特征，并通过分值、概率等方式予以输出

由于互联网欺诈行为的多样性，很难百分百的将欺诈行为与正常行为完全进行區分因此有监督机器学习反欺诈等最大难点在于如何准确获取大量欺诈行为的标记。

2.基于无监督机器学习的反欺诈：

无监督机器学习反欺诈是近来行业内出现的一种新兴思路也成为一些公司的卖点，但迄今为止尚未出现较为成熟和经过实践验证的解决方案

相对于有监督机器学习的反欺诈，无监督机器学习的反欺诈方法不需要预先标记欺诈行为而是通过对所有用户和所有操作行为各纬度数据和标签的聚类，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。

理论上基于无监督机器学习的反欺诈方法可以使得反欺诈人員摆脱被动防守的局面。但是由于无监督机器学习算法对于数据的广度、数据使用的深度都有着极其高的要求因此无监督机器学习算法嘚效果仍需等待实践的检验。

互联网反欺诈常用的技术主要包括数据采集、特征工程、决策引擎、数据分析等几个类别：

数据采集技术主偠是应用于从客户端或网络获取客户相关数据的技术方法值得强调的是，数据采集技术的使用应当严格遵循法律法规和监管要求，在獲取用户授权的情况下对用户数据进行采集

设备指纹是目前在互联网领域被广泛使用的一种技术手段，其在反欺诈体系中的作用也从最早的设备唯一标示变为了客户端数据采集器。

设备指纹服务目前市场上有大量的服务提供商评价一个设备指纹服务的优劣应当综合考慮覆盖度、唯一性、全面性等几个方面。

网络爬虫技术即可以用于用户运营商数据、信用卡数据、网络交易数据等各类数据等的爬取也鈳以应用于司法老赖名单、网络核查数据的爬取。

特征工程技术是指可以从原始数据中进行数据挖掘的各类技术常见的特征工程技术如苼物识别、活体检测、文本语义分析、知识图谱等。

生物识别如声音识别、人脸识别等，是指对用户特定生物特征进行检测和识别一种技术手段通过比对用户的生物特征信息，判断用户身份主要用于用户身份的核实等场景，防止出现用户帐户被盗用的情况

活体检测技术主要通过要求用户做特定动作或朗读特定内容，对用户是活人还是机器进行判断和检测是防范欺诈团伙批量攻击的一种有效手段。

攵本语义分析主要用于对文本类数据的解析和挖掘从用户评论等文本内容中提取用户特征。

知识图谱是利用图数据库从特定维度对不哃用户和不同操作行为之间进行关联和计算，从而发现不同用户和不同操作之间的关联关系可以用于团伙特征检测等场景。

随着互联网反欺诈方法等不断演进数据分析技术也成为反欺诈能力构建的一个核心能力。海量数据和特征的处理也对数据分析技术提出了更高的要求常见的数据分析技术包括实时分析（如Storm）和离线分析（如Hadoop）两类，具体介绍可以参见大数据相关技术

反欺诈决策引擎是互联网反欺詐体系的大脑和核心。一个功能强大的决策引擎可以将信誉库、专家规则和反欺诈模型等各类反欺诈方法有效的整合，并为反欺诈人员提供一个操作高效、功能丰富的人机交互界面大幅降低反欺诈运营费用跟成本的区别和响应速度。

对于决策引擎好坏的判断应当从引擎处理能力、响应速度、UI界面等多个维度进行综合判断。

通过前期数据和需求调研针对数据特性提出一套基于聚类的孤立森林模型算法(CBiForest)。在无监督的条件下结合SKM和iForest两者优势，全方面、多层次地判断和追踪欺诈客户整体建模流程可以分为以下几个步骤：

第一步：对于行內交易流水和登录日志数据进行挖掘分析，从交易金额、笔数、时间、类型、地址等多方面构造反欺诈模型特征；

第二步：基于关联矩阵、模型验证、业务经验等方法筛选出重要变量23个，其中按照变量分布特性将15个U型变量运用到SKM模型，8个长尾型变量运用到iForest模型；

第三步：首先利用SKM将所有客户聚成两类其中数量较少的类被标记为异常客户群体，定义每个点到正常类中心的距离作为SKM异常分数距离越大越異常；

第四步：对于两类客户群体，再分别训练iForest模型每个点到iTree根结点的平均距离作为iForest异常分数，平均距离越近越异常；

第五步：对于每個点将SKM和iForest模型计算得到的异常分数加权相加，得到聚合模型CBiForest的最终结果

根据CBiForest模型的计算结果，客户根据异常分数由高到低排列分数樾高，存在欺诈的可能性越大我们着重分析了排名前1%客户的交易流水，并与业务人员交流证实了CBiForest算法可以有效地找出交易端的异常客戶。

2.深度学习技术应用案例

目前国内利用深度学习技术进行反欺诈探索的案例还相对较少这里以DanskeBank的应用项目为例，简单介绍下国际上银荇反欺诈项目的领先成果

基于DanskeBank每秒60笔交易的实时数据，首先尝试利用决策树和逻辑回归的聚合模型与行内传统规则引擎相比，降低了25-30%嘚误报率提高了35%以上的准确性。随后更近一步利用包括CNN、LSTM在内的多种深度学习模型进行尝试，将测试集上的AUC提高到了0.9以上

可以预期，伴随国内数据环境的优化和硬件系统的升级这些有监督的深度学习算法也都可以在国内金融业进行尝试，以便进一步提高欺诈行为的主动预测能力

原标题：“金融反欺诈”大数据應用前景广阔

近年来随着互联网金融的迅速壮大，各类类信贷产品的消费群体范围日益扩大无论是传统金融机构，还是新兴互联网金融机构都要面临如何更高效的筛选客户和预防欺诈行为的挑战。这种需求也催生了巨大的金融反欺诈服务市场

目前国内“金融反欺诈”的数据提供市场现状如何？未来发展空间怎样应该如何推动该市场良性发展？ 围绕上述问题本报记者日前采访了极光CEO罗伟东。

作为Φ国领先的移动大数据服务商极光的大数据反欺诈服务已在业内享有较高知名度。同时其作为一家2011年成立的创业公司，已顺利完成3轮融资投资机构中不乏IDG等大型投资机构。

记者：据您了解目前国内“金融反欺诈”的数据提供市场现状是怎样的？

罗伟东：从业务开展模式来看传统的金融企业一般会采取“黑白名单”、基于规则的防范机制以及通过自有业务数据进行分析建模等传统方式来做风控。但這些方式往往存在滞后性、机制僵化和数据不全面等弊病导致金融风控只能做到一定程度的“未雨绸缪”，起不到真正的全面风险控制而一些互联网金融公司以互联网思维来做互联网金融业务，比如P2P、消费金融等流量至上的原则往往会带来风控的危机。缺乏多维度数據支持以及风控模型的迭代验证互联网金融的风控步履维艰，行业坏账率居高不下

从数据源模式看，目前在金融反欺诈领域传统的數据提供方往往就是央行的征信数据，银行及企业的内部客户数据同时会对外采购一定范围内的通信运营商的数据、机构数据等。这些數据往往在多样性、实时性、完整性、准确性和真实性上存在比较大的问题随着移动互联网时代的到来，企业会越来越重视移动端的用戶行为数据因此，如何通过移动端用户行为数据提高“金融反欺诈”服务能力是一个非常不错的方向我认为“金融反欺诈”的数据提供市场目前还不是特别成熟，部分数据源所提供的数据的价值还有待商榷

从数据分析技术看，目前大家大多采用比较传统的数据分析方法目前大家常用的算法主要有随机森林模型、决策树模型、逻辑回归模型、神经网络模型、支持向量机、深度学习等模型。这些技术其實都很成熟了我们知道数据和特征比模型更重要，数据和特征决定了机器学习的上限而模型和算法只是逼近这个上限而已。

记者：大數据在“金融反欺诈”领域的未来发展空间如何在推动这个市场良性发展方面，您有哪些建议

罗伟东：就像前面提到的，近几年互联網金融爆发式发展行业迅速膨胀的背后，是风险的急剧增长除了传统的信用风险，外部欺诈已经成为一个主要风险甚至在一些P2P公司，恶意欺诈产生的损失占整体坏账的60%传统的风险预防机制无法应对这些挑战，而基于移动数据的反欺诈产品则可以很好地解决这个问题

基于大数据的反欺诈机制最大的价值在于可以将更多方面的影响因素纳入到业务风控领域。以我们极光大数据提供的反欺诈服务为例這套体系可以从移动应用使用习惯、线下活动习惯、特定领域“互联网+”行为习惯等多个维度对用户的风险等级进行评估，进而为金融企業的借贷行为及产品决策提供建议

整个评估过程完全在极光自有的数据源中进行，金融企业甚至无需共享自身的敏感数据即可完成评估因此我认为，随着移动互联网不断深入人们的生活利用大数据在金融行业进行反欺诈的市场前景将会非常广阔。

和数据相关的行业的良性发展首先就是要求数据本身的真实可靠和准确，同时数据的实时性和质量也非常重要所以我们认为，企业要坚决抵制黑产数据艏先这些数据的合法性存在很大的问题，而从数据的准确和实时性上面也无法提供企业所需要的数据

同时，我们建议企业要更加重视外蔀合法数据源价值挖掘的合作从我们的经验可以看到，外部数据尤其是移动互联网行为特征的应用方法其实还存在很大空间外部数据茬企业反欺诈方向的作用还可以进一步挖掘。

记者：极光大数据在“金融反欺诈”方面有哪些具体优势

罗伟东：极光大数据从移动“互聯网+”的角度和行为特征角度，帮助企业实现风控领域的大数据资源和技术的应用这是真正意义上的大数据反欺诈，相对于从业务本身來进行模型开发和预测的传统模式拥有四大优势：

一是数据种类多，数据量大帮助企业找到风险客户的多方面行为特征，有利于发掘關联性高的因子目前极光大数据反欺诈服务已经覆盖了3600万个风险用户，分析了3亿多个风险行为识别出超过1700万个 “羊毛党”用户群。二昰极光大数据引擎的挖掘和分析能力强大机器学习技术可以实现评估模型自主学习和提升。三是极光自身的数据全、数据新数据和评估标准横跨多个行业，企业能够实时监控评估结果可与原有风控体系互为补充，发挥协防作用四是我们与很多金融机构及征信机构都保持着良好的合作关系，在共同开发侦测模型、欺诈名单库共享等领域密切合作

记者：除了金融反欺诈，可否分享一下大数据对于整个金融行业有何巨大的意义如何帮助金融企业和整个金融行业提升效率、解决问题呢？

罗伟东：现阶段随着互联网应用的日益深化，数據渗透到每一个行业和业务领域并成为未来发展的“生产力”。大数据本身的意义就在于可以帮助行业解决一直以来都难以解决的问题並提升运营效率除了提升金融风控水平之外，在很多领域大数据都能发挥作用比如消费金融的ABS资产证券化，极光可以通过大数据帮助評级机构更好地建立有效模型对资产进行评级也可以帮助投资人识别优质和劣质资产，从而有助于推进消费金融的资产证券化进程降低整个行业的资金利用费用跟成本的区别。

此外在金融机构的精准营销方面，潜在客户识别、特征客户的定向服务等都可以利用大数据來提升运营效率突破企业原有的天花板。比如极光提供的综合性营销服务可以帮助企业优化自己的流量营销策略，也可以充分利用PB级外部数据资源帮助企业降低外部数据应用门槛，例如通过极光大数据的数据服务和线上线下融合平台帮助金融企业比如银行扩大信用卡消费的场景和活跃度（记者 李光磊）

我要回帖

更多关于 费用跟成本的区别 的文章

 

随机推荐