风控反欺诈

端到端解决各类欺诈和信用风险问题。覆盖交易反欺诈、黑中介养卡、反薅羊毛、欺诈团伙识别等众多欺诈场景。

某大型银行-人工智能反欺诈解决方案

背景与挑战

某大型银行面临着欺诈、信用违约两类风险的困扰,欺诈问题日益呈现团体化、专业化、智能化的趋势。在反欺诈工作上,该行仍沿用分析-防范-反馈的业务流程来进行,而欺诈行为的形式、主体、损失方向均由不同类型构成,当前单纯依赖规则的风控反欺诈侦测手段已经无法面对日益复杂的攻击方。
因此,围绕着业务全流程,如何利用AI技术,构建“数据-技术-制度”为核心的可以应对不同场景的反欺诈体系,成为了银行风控部门的重要目标。

业务目标

围绕着银行业务主流的主要环节,识别每个流程中的关键活动及核心影响因素,利用AI技术,对上下游的数据、流程、系统进行充分的规划和建设,构建AI级的风控大脑,帮助银行通过“数据+应用+流程”相结合的手段,建立面向全行的反欺诈风控体系,实现全渠道、一体化的交易过程管控。

难点与关键成功因素

准召率:评估反欺诈模型的重要指标是覆盖率和召回率。第四范式的数据科学家和业务专家通过结合用户的各维度信息、刻画各种特征、自然语言处理,研发出了超出业务预期效果的反欺诈解决
稳定性:风险场景对解决方案效果的衰减有非常低的容忍度,因此,需要保证解决方案中欺诈模型在很长一段时间维持在同一个水平基线上。通过不断的机器自我学习和更新,及时地调整使用业务变化
长期有效性:欺诈本身是一个“攻与防”的过程,犯罪分子本身也在不断的变化犯罪手段,通过数十亿级的特征,利用模型和特征的泛化能力刻画每个用户,结合机器学习的优势,发现各种可能的新型欺诈手段,保证模型长期稳定
实时响应:除了模型本身外,如何将研发的模型运用于生产环境,并满足业务数十毫秒内的交易响应要求,是该类问题的另一大难点。第四范式的工程开发团队自研的实时预估和模型自学习平台,在“先知”平台的基础上,对时序数据的拼接和计算过程进行了大量的优化,成功解决了开源工具的冗余问题。
现阶段,信用卡中心交易风险部门利用数以千计的专家规则进行策略防控和风险侦测,在识别准确率和案件覆盖率上都存在一定的优化空间。因此,如何利用机器学习技术更高效、快速、精准的识别交易欺诈,成为了该行主要的探索目标和方向
指纹设备:第四范式依托埋点技术,针对性收集微观级用户的行为数据,如设备属性、页面平均停留时长、登录时长、常去商圈等。
地址知识图谱:针对外部数据,依托地址知识图谱,洞察欺诈申请并大幅提升地址信息价值。从原始地址库提取地址,经过标准化处理后,得出省市区、商圈、路名、小区、写字楼、公司等信息,建立地址与信用图谱的关系。地址知识图谱可以作为智能电核、信用地图、风险建模的重要输入,在风控领域具有广泛用途。
社交关系图:依托图数据库技术,构建社交图关系、担保链、投资关系、侦测资金流向。根据客户基本信息、社交信息、金融社交信息等,计算出用户的社交图关系。
智能电核:基于基本申请信息、知识图谱、社交图关系、用户行为数据,随机生成问题智能电核,并利用人工智能技术识别自然语言,根据用户答案生成关联问题。
机器学习:采用机器学习模型对每一笔申请进件进行评分并给出准入意见。评分卡模型自动生成全部申请客户信用得分并进行排序,风控人员也可以根据贷款周期策略及资金宽松程度调整风控策略阈值。
智能催收:针对催收成功率低、催收成本高、客户体验差、逾期利息少等痛点,采用差异化催收手段。通过对客户的不同定位,指定委外催收、个性化催收、暂不催收等不同的催收手段

业务成果

智能进件方面:以用户进件信息作为特征识别用户真实的职业信息,模型准确率在42.1%。
申请反欺诈方面:通过申请用户的内外部信息,进行特征组合、模型训练和迭代后,AUC从0.846增加到0.906,KS从0.43增加到0.65,并且额外发现了12家小微企业欺诈。
线上非本人交易防控方面:仅取模型预估概率分值的前10%进行外呼缺人,能够在识别出38%欺诈交易的同时,准确率达到88%。
智能催收方面:取逾期概率前10%的客户,“老赖”准确率高达81.4%,建议提前采取上门、委外等针对性的强力催收策略,有望提高老赖客户的催收成功率。

展望未来

现阶段,第四范式的反欺诈解决方案通过与业务策略的结合,实现了多场景、全流程的反欺诈。同时,随着业务系统和数据流的不断完善,第四范式正在就反欺诈平台进行更加细致的开发工作,为客户提供更便捷、高效、灵活、精准、长期可用的风控反欺诈方案