反欺诈模式有哪几种，是如何建立的？ 风控模型之反欺诈模型

本文讲述了反欺诈模式有哪几种，是如何建立的？ 风控模型之反欺诈模型

1欺诈的几种分类：

从欺诈发生的场景上划分的话，分为申请反欺诈和交易反欺诈。申请反欺诈是在申请端的时候，通过提交材料造假等方式，比如在信贷审批时，通过提交造假材料，来进行欺诈。

交易反欺诈，更多的是在信用卡、借记卡、ATM机等交易的过程中发生欺诈行为。

从业务角度对欺诈划分的话，一个是第一方的欺诈行为，一个是第三方的欺诈行为。第一方的欺诈行为，是一种主动的，会做造假信息等这样的欺诈行为。第三方的欺诈行为是在自己不知情的情况下，被篡改信息或者被盗用信息、盗取密码。

2为什么要做这样的划分

是为了更好的防范欺诈。因为不同的划分，可以根据发生场景，根据事情发生的主动性，可以找出不同的行为规律。根据这些划分，识别行为规律，可以做好分类处理。

3做反欺诈常用方式：

第一种模式，是业内比较常用的业务规则，比如规则引擎，根据规则配置做欺诈的实时防御。比如银行、保险公司会有比较多的业务经验累积，和开发的规则引擎，来实现反欺诈的功能，也是行业里用的比较多的模式。

第二种模式，是利用大家比较熟悉的黑名单的方式。之前讲过的信贷评分里面，有一个很重要的点，就是信贷历史对我们现在的信用行为的权重是非常高的。如果以前出现过逾期，他的行为标签可能就是不好的，可能会被放到黑名单里面去，很多大数据风控机构，提供接口，通过逾期、失信等信息数据的共享和累积，形成比较有效的防欺诈的方式。

上面说的规则和黑名单，其实更多的是对已经发生过的行为，形成认识，归纳到规则库或事件库。但现在线上互联网化越来越深入的情况下，很多的欺诈行为是不能被这些规则所防范的。比如一些机构有一套很复杂的规则引擎，上面有几千条规则，那么他的实时交易量可能是千万级的，那么规则引擎可能每天有几百万字的报警，业务人员看到这样的报警频度的话，跟业务场景结合起来是比较困惑的。

第三种模式，是预测性的建模，是基于我们的历史行为，将历史上的欺诈案例，和正常的交易的案例结合起来，通过历史数据利用机器学习的算法，建立模型。在这种场景下，账户交易信息，还有他的历史行为，登录行为，这些海量数据可以变成模型的样本，通过算法和模型的作用，发现新的数据规则。

预测性建模在实操的场景里也会遇到问题。因为欺诈的话，样本是比较难定义的，因为欺诈需要从各方面来认证到底是不是主观的欺诈行为。很多机构能够拿出来的欺诈的黑名单是需要在法院立案的，这样的黑名单数量数量其实非常的少，可能千万级的用户，只有十几个黑名单，这样做模型测试的话，会出现非常严重的样本不均衡的情况。

所以在预测性建模时，通过异常识别的方式来发现异常，再从异常和正常的样本之间，挖掘规律是什么样子，找出区别，一个一个迭代，进行反欺诈。

第四种模式，是通过关联图谱、关联关系来挖掘欺诈行为，对于团伙作案比较有效。比如通过一些设备来发现这些欺诈团伙，也是目前的一个探索方向。如果通过已知的样本发现了一些社群的欺诈样本或者网络关联模式，也可以通过相关算法，来进行挖掘。

做到真正意义上的反欺诈，可以把黑名单管理，规则管理，预测性建模、异常识别，关联图谱等几个方法然后结合起来，不是单个的模型或者单个规则。通过实时的拦截，规则引擎和模型评分形成实时的评分系统，对历史数据不断的研究探索，形成新的模型、新的规则形成有效的反欺诈机制。

欺诈类型按照不同的维度分为比较详细，我们今天针对于常见的第一方欺诈和第三方欺诈。

第一方欺诈，即利用不实信息欺诈，欺诈者故意提供虚假申请信息，以获得授信审批。

第三方欺诈，即冒用他人身份欺诈，欺诈者偷取他人信息，以他人名义申请。

欺诈风险与信用风险不同，欺诈风险更多时候像是保卫战。并不是KO所有坏人，而且将坏人的出现的几率降到最低，或者是第一时间能够辨别到坏人。

目前最为常见的机器学习反欺诈，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。

相对来说，无监督机器学习的反欺诈方法可以使得反欺诈人员摆脱被动的局面。但是对于无监督机器学习算法、数据的广度、数据的深度要求较高。

（1）有监督机器学习

基本思路是通过对历史上出现的欺诈行为进行标记，利用逻辑回归、决策树等机器学习算法，在海量的用户行为特征、标签中进行分类，发现欺诈行为所共有的用户行为特征，并通过概率、分数等方式输出。

（2）基于无监督机器学习

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。

上文就是小编为大家整理的反欺诈模式有哪几种，是如何建立的？ 风控模型之反欺诈模型

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。