猛犸反欺诈

扫描二维码关注maxent新闻动态

分类目录

最新动态 行业洞察

猛犸反欺诈:互联网金融公司反击欺诈面临的新挑战

5月18日,由上海金融信息行业协会主办的主题为“华山论剑—互联网金融风控新技艺”活动在上海落下帷幕。本次会议汇聚了众多风控、运维高管,金融信息行业内相关专家一同到场。Maxent猛犸反欺诈产品总监刘海涛应邀出席本次会议,并发表《互联网金融反欺诈的新挑战》的演讲,从多个维度介绍了欺诈防御方案的新思考。

(图中为Maxent猛犸反欺诈产品总监 刘海涛)

一同出席的还有协会常务副秘书长吴军、国家统计局中国经济景气监测中心、绿盟科技等业内专家,就运用互联网技术提升风控技术等内容展开深入探讨,现场气氛热烈。

以下为大家分享猛犸反欺诈产品总监刘海涛的部分演讲内容:

互联网金融利用互联网技术的便利性,低成本来降低金融服务的门槛,提高行业的整体效率,让金融服务覆盖到传统方式不能覆盖到的人群或业务领域,实现真正的普惠金融。互联网金融业务具有小额、低成本、低门槛,以及虚拟化的特点,这些特点影响了互金的业务形态,同时对互金的风控与反欺诈也带来了很大的挑战。

传统的风控模式

传统的反欺诈模式是通过数据,规则和审核的结合来实现对欺诈风险的评估。这里的数据一般是人的身份,信用数据,以及业务本身的一些数据。规则是金融业务的角度设定的一些规则,而审核则由相应的风控专家来执行。常见的做法就是通过专家规则的方式,对客户的基本信息、信用信息、业务信息等进行人工或半人工的审核,同时辅以第三方的黑名单等外部数据源。

当这种风控方式搬到线上,这种传统的方式就显示出巨大的局限性,体现在一些业务需求与风险的冲突上。

第一、成本和风险的冲突

第二、规模和风险的冲突。

第三、效率和风险的冲突。

第四、体验和风险的冲突。

从传统风控反欺诈模式的局限性来看,未来互金领域的风控模式将会向技术驱动的模式转变。这种转变包括几个方面:

1、从业务数据到数据化的转变

改变业界只关注信用、业务数据的现状,扩大数据的层次和来源。一方面,对于自身数据,不仅仅采集、分析业务数据,还要扩大到设备、用户行为、关联网络等方面;另一方面,对于外部的第三方数据,扩大第三方数据的来源的同时,还要更加高效的使用。

如何平衡自身数据与外部数据的使用,是一个重要的问题。我们应该最大化的去挖掘自身数据的风控价值,而不是只做一个外部数据的被动使用者。从效率、成本还是安全性角度,前者都是一个更优选择。

2、从静态的规则到动态的机器学习的转变

机器学习技术的发展,为智能化的反欺诈处理提供了技术的上支持与保障。一提到机器学习,大家可能就想到的是风险的评分模型。评分模型,只是监督式机器学习的一个相对来说常规的应用,还有很多其他的应用方向。例如采用非监督式机器学习实现的异常检测技术,可以帮助发现未知的欺诈特征与模式,应用于突发业务风险的监控、事后欺诈案例的辅助分析等领域,

3、 从人工审核向自动化审核的转变

自动化是互金反欺诈和风控环节降低成本、提高效率的关键。互联网作为产业领域中自动化程度最高的产业,反欺诈风控的自动化也必然是未来发展的一个方向。

我们相信未来的互金风控与反欺诈发展的方向必然是构建一个多层级的智能化业务安全架构。这里的多层级,是指对于数据与信息的检测与利用方面。

在这个框架中,反欺诈应该在多个层次上进行:

a) 设备终端层面

主要包括设备ID,设备信息(是否破解、设备信息是否异常等),设备所属的网络状态等。

b) 用户行为层面

用户行为包括操作特点,用户业务行为、关联图谱信息等。比如,多个人合用一个设备、页面停留时间等。

c) 业务层面

现在风控常使用的一些信息,包括人的信用、业务数据等。

d) 跨渠道层面

利用行业内其他公司的外部数据,实现数据的共享。

针对这些层次的数据,可以利用异常检测技术来发现业务中不正常的点。所谓异常,就是那些与其他无论在分布上、模式上还是表现上,不相同的个体,这种异常就代表了潜在的风险。在这个基础上,机器学习的评分模型对业务请求做出一个总体的风险评估。

“在整个这样的智能化构架中,我们把重心放在数据维度的丰富化与智能化上,反映了猛犸反欺诈对当前互金风控领域的一个观点:大部分互金风控系统的数据输入仍然局限在业务数据本身。现在最需要的改进是扩大和丰富自身风控系统的数据维度与层次。无论是专家规则还是机器学习的模型,结果的好坏很大程度上取决于选取的数据与特征。现阶段,相同的资源和人力,投入到数据与特征的丰富与挖掘中,比仅仅优化后端的模型算法,带来的收益会更大。

Maxent猛犸反欺诈是一家以全力保护企业互联网及移动业务安全为目标的高新科技公司,为所有企业提供线上欺诈预防和风险识别的人工智能反欺诈服务,Maxent也会尽己所能,在线上业务安全、风控等方面,为推动行业良性发展做出贡献。