云原生数据库的应用,迎接未来的数据存储革新
3229
2023-06-14
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。