某股份制商业银行信用卡中心
事中交易风控系统

背景与挑战

作为国内信用卡发卡量最大的银行之一,随着刷卡环境的复杂化以及欺诈盗刷手段的不断更新和多样化,银行信用卡反欺诈规则系统正面临着越来越大的挑战。传统的专家规则依赖的变量和维度非常有限,映射的欺诈判别边界非常刚性,而且人工长期维护的专家规则系统很难继续提升准确率。因此,通过让机器模拟人的学习方式,从数据中获取经验并对新情况做出判断,让数据驱动的自适应判别模型变得尤为重要,高精度的判别模型可以降低业务专家对欺诈行为的分析压力和业务调查人员对报警的人工调查。

业务目标

通过构建完整的机器学习平台,并使用历史数据,利用机器学习平台进行欺诈交易模型的训练,并生成能满足业务需求的模型进行生产上线。为了在交易进行的过程中就进行欺诈概率的评分并进行事中干预,需要在授权前进行实时的机器学习模型欺诈评分,并由业务方在实时风控应用中定制应用欺诈评分的业务规则。

难点与关键成功因素

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,并通过不断的机器自学习和更新,及时调整模型参数保证模型长期稳定,是本项目的一大难点和关键成功要素。
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。

业务成果

实现高性能的实时欺诈交易侦测,单笔交易处理时长仅5ms,其中99.9%的交易在20ms内完成。
依托机器学习模型与风控规则引擎结合,对比行方原有的风控手段相同召回率下准确率提升了4倍以上。

展望未来

现阶段,第四范式的反欺诈解决方案通过机器学习模型与传统专家规则的结合,实现了多场景、全流程的风险管控。同时,随着场景的扩充、业务策略的不断完善,第四范式正在就智能风控平台进行更加细致的开发和更新迭代,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。