反欺诈策略 反欺诈模型拒绝
本篇文章给大家谈谈反欺诈模型拒绝,以及反欺诈策略对应的知识点,希望对各位有所帮助,不要忘了收藏本站喔。办理pos机添加微信18127011016
信用卡未通过原因是反欺诈模型效验这是什么情况?

意思就是被银行数据风控,监管到客户的相关信息(比如填写的单位在银行有包装公司的嫌疑)异常。
这个没事要么过段时间重新申请,要么就是重新换一家银行申请。
为什么建立反欺诈模型
金融服务机构认为欺诈事件是经营的必要成本之一,基于此,金融机构主要关注如何降低欺诈事件带来的损失。当前金融服务行业的欺诈热点有三个,分别是洗钱、合规和内部金融欺诈。比起之前,欺诈者更倾向于通过秉承以往有效的集团犯罪形式,向金融服务机构的系统漏洞发起攻击。很多金融机构在新产品刚上线的头几天,就被欺诈者迅速攻破,导致这类企业承受巨大经济损失。同时,基于合规考虑和欺诈攻击扩展速度,金融类机构必须摒弃欺诈成本预算这个观念。与之相反,金融类机构必须考虑主动投资反欺诈的技术手段、防控工具和策略,从而达到有效预防欺诈的效果,减少欺诈带来的风险损失和资本损失。
在欺诈者眼中,网贷行业是个大蛋糕。如今,不管是线下的贷款中介代办包装还是线上的盗号刷单等类似的黑产从业者,都盯上了在线贷款。反欺诈能否做好,是网贷行业的一条生死线。
首先简单普及下行业知识。欺诈模式可以分为一方欺诈和三方欺诈:一方欺诈通常指申请者包装自己信息且贷款后没有还款意愿造成违约,三方欺诈指欺诈分子借用冒用他人身份或协助他人伪造申请信息进行骗贷。三方欺诈通常以团伙作案的形式出现,给网贷机构造成的损失十分严重。而且,团伙欺诈往往会有意识地分析网贷机构的反欺诈策略,不断升级欺诈手段,仿佛病毒变种一般,如果缺乏有效手段,就很容易被他们攻破反欺诈系统。
对于欺诈团伙,目前行之有效的是采用大数据手段进行防范,下面重点介绍下数据科学在识别三方欺诈中的一个应用:“关系网络发现”用于识别组团进件。
制定反欺诈策略存在一个基本的假设,即“骗子的朋友是骗子”的概率更大,且我们要对不良的贷款中介要进行识别。因为中介骗子会帮很多还款意愿不强的人通过提供虚假、伪造、包装申请信息的方式进行骗贷,同时还会教申请人如何应对。通过中介(或者本身就是团伙)进行集中贷款申请的风险非常高,是一种常见的欺诈类型,分析发现社交网络分析和其他交叉检验方法能有效识别上述欺诈模式。
我们定义用户和用户之间如果共用某些核心信息,那么他们之间就存在紧密联系,这些核心信息可以是手机设备、电话号码、身份证、银行卡号、邮箱等。以这些信息作为点,信息之间的关系作为边就可以构造出类似下面的图网络:
如上图,图中有两个用户通过手机申请贷款,一个放款成功,一个放款失败,通过用户申请中提供的信息,将其核心信息构建成一个网络图,可以看到两个用户一共关联到3个手机号,3部手机设备,两个用户是通过一个公用的手机设备联系起来的。上图的真实业务场景是尾号979的用户来申请时,发现与其强相关的用户已经成功放款,并且通过图上的关系已经申请调查出尾号979的用户是之前放款用户的配偶,若批准尾号979的贷款申请则将增加两人整体负债,所以最终审判拒绝掉了这笔贷款申请。
上面是一个简单例子,真实业务中欺诈与反欺诈是道高一尺魔高一丈的博弈过程,简单的反欺诈策略很容易被真正的欺诈分子发现并规避,简单策略的效果会不断下降。事实上欺诈很难被完全解决,反欺诈的一个重要思路就是不断的提高欺诈分子作弊的成本,并且保证策略准确性情况下使反欺诈策略更智能并且更复杂。
这种思路下同样是通过社交网络反欺诈,我们需要更全面地描述每个用户之间的关系,用户之间关系的定义也不止是上述这些强关系,还包括很多弱关系,比如用户间打过电话,用户间是同一单位,用户家庭住址在同一区域,用户之前是QQ好友等,这些更多的关系与关系的叠加很容易出现下面类似的用户间非常复杂的关联网络。
构建图的同时,对每个点还可以赋予不同的属性,这些属性可以用于后续的特征工程提取。举个例子,对图中用户身份证类型的顶点,可以设置多个属性,如是否黑名单、用户资产、是否有房。后续特征工程中就可以根据顶点属性衍生出具体的特征,如一度关联的身份证是黑名单的顶点个数。用户关系网络图构建的最终目的是提升欺诈团伙的识别准确度以及实现自动化的反欺诈决策,即提升欺诈识别的效果和效率。我们希望通过社交网络挖掘出用户更多的特征用于反欺诈模型和策略的训练,所以对于这种复杂的用户关系网络图,接下来我们要进行两件事,其一,用户特征提取;其二,点属性标签的补全。
用户特征提取
每个用户都可以通过手机、身份证等关键信息点,获取单个用户网络的连通图(事实上对10亿级节点的图的查询效率已经非常低了,在实时决策的场景下需要通过算法优化来解决响应时间的问题,比如图入库的锁问题,异常点的查询超时)。对每个点计算其在图中常用的属性特征,比如度、接近中心度、page rank中心度、betweenness中心度。这个过程可以看作是对给定用户,通过图数据进行特征工程。大部分策略和模型的效果往往由特征工程的质量决定,甚至特征工程方法也成了各家公司不可泄露的核心内容,数据算法工程师的苦逼日子也由此开始……举几个例子,除了简单的点中心度相关的直接特征还能直接想到非常多的特征,比如用户n度关联点的关联手机号数、用户关联到的设备号占所有关联点的比例、用户关联的黑名单身份证号数等等。上述举例的特征计算大部分可以实现标准化,通过开发单独特征工程模型实现上万特征的衍生计算。这样能极大提升模型开发的效率。
点属性标签的补全
在策略分析和特征计算中,我们需要很多点的标签属性,比如对某一身份证是否是黑名单,身份证是否有房,身份证是否信用卡额度超过3万等等。但是实际上往往对于大部分用户标签属性是缺失的,比如用户申请到一半就流失了,用户最终放弃了,我们都没法准确收集这些标签。怎么办?我们通过图相关的社群发现算法进行标签补全,比如最常用标签传播算法LPA(Lable PropagationAlgorithm),还有类似的算法,比如SLPA、HANP、DCLP等等。
针对行业发展的最新情况,算话征信推出的反欺诈云服务现已完成全面升级,依据其提供的欺诈评级以及欺诈判断的补充信息,信贷机构再结合各自已有的欺诈策略同时部署应用,就能实现欺诈防范效果最优化。在此前各合作机构的运行过程中,算话反欺诈云服务已建立了信贷行业反欺诈联盟,在实现行业联防联控、打击欺诈团伙多机构流窜攻击等方面取得了理想效果。
据统计,算话反欺诈云服务上线运行的6个多月中,已为70余家合作机构的数百万信贷申请提供欺诈预警服务,协助信贷机构发现欺诈损失数千万元。
在原有基础上,算话反欺诈云服务的三大产品优势将更加明显,即海量的征信资源数据、卓越的关系网络算法、优异的中文模糊匹配功能,算话反欺诈云服务能够以卓越算法行之有效地建立起关系网络,这是因为我们使用直接基于“点”和“线”存储的图形化建模方式,结合DMR网络关系发现算法,极大提升了欺诈关系发现能力和效率。系统具有欺诈关系网络发现无延迟、实时探测计算、覆盖每笔欺诈申请等特点;更重要的是定义了多重关联关系,以此挖掘团伙案件的潜在关联,使其无处遁形。
反欺诈拒绝是什么意思
反欺诈拒绝的意思是你在这个平台留下的逾期未还或者其他不良记录,然后另外一个平台通过网络共享都能查询到。所以拒绝你办理该业务的行为。还有你去贷款时提示你反欺诈被拒绝说明你提供的是假信息。侵犯消费者权益的解决途径:1、与经营者协商和解。2、请求消费者协会调解。3、向有关行政部门申诉。 4、提请仲裁机构仲裁。 5、向人民法院提起诉讼。
法律依据
《中华人民共和国刑法》第一百七十四条 【擅自设立金融机构罪】未经国家有关主管部门批准,擅自设立商业银行、证券交易所、期货交易所、证券公司、期货经纪公司、保险公司或者其他金融机构的,处三年以下有期徒刑或者拘役,并处或者单处二万元以上二十万元以下罚金;情节严重的,处三年以上十年以下有期徒刑,并处五万元以上五十万元以下罚金。【伪造、变造、转让金融机构经营许可证、批准文件罪】伪造、变造、转让商业银行、证券交易所、期货交易所、证券公司、期货经纪公司、保险公司或者其他金融机构的经营许可证或者批准文件的,依照前款的规定处罚。单位犯前两款罪的,对单位判处罚金,并对其直接负责的主管人员和其他直接责任人员,依照第一款的规定处罚。
反欺诈拒绝怎么消除
直接报警。
欺诈是以非法占有为主要目的,用虚构的信息骗取他人财务的行为。比如说,一个人申请某个贷款时根本没打算还款,那么就会被认定为欺诈,次数多了就会上黑名单。
如果之前从来没有申请过贷款,但是发现自己上了黑名单,那么可以及时向网贷机构反映,让其将你从反欺诈黑名单中消除,如果是自身原因导致,那么需要先还清欠款,再一步步修补个人信用。
反欺诈评分卡
一.项目概述和目的
在现金贷业务中,主要面临两种风险:信用风险和欺诈风险.
信用风险主要是对借款人还款能力和还款意愿进行评估,从而决定放款金额的大小(也可以决定放款利率的大小),
而反欺诈直接面临的是欺诈用户,这种用户没有其他目的,就是为了骗钱不还(包括开始想还,后面不还).
如果直接用规则去做反欺诈,有三种局限性:
1.策略比较强,命中直接拒绝,无法考虑策略之间深层次的关系;
2.无法给出用户的欺诈风险有多大;
3.没有考虑用户从信用风险向欺诈风险的转移.
反欺诈模型就是为了通过机器学习来完善现在仅仅靠规则来拒人的不足.
二、实施方案:
欺诈有两种,一种是直接欺诈,一种是信用风险向欺诈风险转移(用户原本有微弱的还款意愿,随着时间的推移,微弱的还款意愿没了
,还有一种是有还款意愿没有还款能力,所以在选择特征和标签的时候围绕着这几个方向去考虑
反欺诈评分卡种类:
一:小额度
贷前(主要是以贷前能拿到特征训练)
贷中(主要加入了在我们平台上生命周期产生的有欺诈嫌疑的数据)
二:大额度
贷前(主要是以贷前能拿到特征训练)
贷中(主要加入了在我们平台上生命周期产生的有欺诈嫌疑的数据)
1. 反欺诈评分给每一个用户设置350-970的分数
a). 低于300分直接认为欺诈用户,线上直接拒绝
b). 500分于700分之间有欺诈嫌疑但是我们不确定是不是完全欺诈,这部分用户小部分会进入人工审核,大部分会再进入其他反欺诈模型
c). 700分用户直接让入,之后进其他策略和信用模型
2. 特征选择分为以下几个部分:
一:团伙相关欺诈特征
a). 结合设备相关特征(比如设备关联多少个手机号,设备关联多少个身份证,手机关联多少个设备等等)
b). ip行为相关(ip是否是异常ip,登陆ip数)
c). 团伙相关(比如团伙中有多少个预期,一度联系人里面有多少个预期,二度联系人有多少预期,一度联系人里面黑名单数量,二度联系人黑名单数,团伙中是否命中中介)
二:个人相关欺诈特征
1. 详单数据(比如0点通话次数,一个月和直接联系人通话次数,等等)
2. 决策流里面反欺诈策略中的风险因子(比如命中法院执行名单,命中三方黑名单,等等)
3. 三方欺诈数据(比如同盾风险分等)
4. 行为数据(这部分只适用于贷中反欺诈,用户预期次数等等)
5.异常检测产生的数据
3. Label 选择:
a). 贷后人工标记用户
b). 贷前人工标记用户
c). 策略因反欺诈直接拒绝用户
d). 分期产品首单逾期大于14天( 首单,首期 )
e). 分期和单期产品逾期最大天数30天
f). 黑名单用户
4. 数据融合
如果数据不好融合的情况下,考虑把这种不好融合的数据做成子模型,把子模型分数带入到主模型,作为主模型特征
反欺诈模型拒绝的介绍就聊到这里吧,感谢你花时间阅读本站内容,更多关于反欺诈策略、反欺诈模型拒绝的信息别忘了在本站进行查找喔。