5大功能点，详解如何堵住金融欺诈“吸金黑洞”（附超详实PPT）

9月起，知道创宇为各行业用户打造了主题为“行业真安全”的系列活动，本文为针对金融行业的反欺诈风控落地实践分享。

金融欺诈频发，传统反欺诈手段存在弊端

01

线上现金贷欺诈高发

当前，我国网络诈骗的规模高达1100亿元，金融机构每年会遭受3万多个欺诈团伙的攻击，其中，线上现金贷的欺诈比例最高。比起信用卡、汽车金融分期等场景性消费，线上现金贷等此类无场景的消费，对于风控的把控流程更加不易。

羊毛党、信贷欺诈、盗号盗刷是目前金融欺诈的三种主要类型，用户营销、账户注册、账户登录、贷款申请、支付、交易等环节是金融欺诈的高发环节，在这些环节中，欺诈者通过虚假信息、伪冒申请、恶意申请、盗号盗刷、团伙欺诈等行为进行诈骗，会造成用户及金融机构极大的经济损失。

02

污染数据打破传统反欺诈策略

针对市面上常见的欺诈行为，传统反欺诈通用策略从身份信息、手机号码特征、运营商数据、用户注册信息、设备环境特征、用户行为数据、其他第三方数据等多个维度来检测用户的欺诈风险。这些维度基本上是基于各类核验接口和数据检查。

但是，确保优质的数据来源并不容易。当前数据市场污染严重，尤其在信贷逾期方面，一旦使用了污染数据，可能就会错杀一个优质用户，也可能漏掉一个风险用户。

因此，确保数据真实性以及无污染问题是金融反欺诈策略首先需要关注的问题；其次，如何将这些数据整合得到用户真实的风险判断，也十分考验模型及技术能力。

自有数据+智能风控，为金融业务保驾护航

天御金融风控SaaS产品，是由腾讯和知道创宇联手打造的通过接口提供服务的轻量级风控SaaS产品。基于腾讯自有的大数据，真实可靠且合规；同时，其建模能力可做到契合不同风控场景配置不同风控模型。

天御汇集了多个核心能力团队，以人工智能AI为核心，以海量互联网数据为基础，结合腾讯及创宇20+年黑产攻防经验，打造AI时代的智能风控服务，为客户业务保驾护航。

天御产品能够应用于信贷业务的各个环节，有应用于贷前场景的行业风险评估、欺诈评分，应用于贷中场景的行为评分，以及应用于贷后的逾期评分。除此以外，也可以针对场景进行定制建模，帮助业务方通过多个维度发现金融欺诈的潜在可能性。

天御风控产品矩阵全景图

天御产品可为具有信贷业务的企业，包括但不局限于银行、保险、消金、互金、信用卡、信托等企业提供最可信的风控方案，目前已服务了数千家客户。

覆盖信贷全环节，全方位风控

天御金融风控目前提供行业风险评估、欺诈评分A卡、行为评分B卡、逾期评分C卡，支持场景定制建模。

01

贷前：行业风险评估

结合腾讯及创宇20+年黑产攻防经验和特有风险标签，帮助业务方构建“强解释性”的风控规则体系。

📋 行业风险评估的6大底层风险特征

📋 多种风险因子判断

▶ “可疑欺诈”风险因子

▶ “圈团欺诈”风险因子

▶ ”多头拆借“风险因子

▶ “信贷逾期”风险因子

▶ “环境异常”风险因子

▶ “设备异常”风险因子

▶ “账号异常”风险因子

📋 “行业风险评估” 输入&输出过程

📋 某互金客户处的成功实践

通过 “行业风险评估”风险标签复合规则，去除了0.5%的总用户，排除59%逾期用户。

行业风险名单命中了18%的客户，命中客户最终表现为“逾期” 是未命中的客户群体的3-4倍。

02

贷前：欺诈评分A卡

通过设备、网络、冲突、异动、时序等多个维度构建欺诈评分模型，有效度量信贷欺诈风险。

📋 六环节风控模型

天御沿着黑产欺诈脉络，从“人-机-料-法-环-对”六个环节设计针对性的风控模型，综合判断申请者欺诈风险。

📋 八维度刻画欺诈风险

在前文六环节模型的基础上，再通过时序和图谱增加关系（图谱）&冲突（时序）形成“身份-设备-情报-行为-地址-环境-对象-冲突-关系”等8个维度，全面刻画用户的欺诈风险。

📋 “欺诈评分A卡”输入&输出过程

📋 业内顶尖模型

通过某现金贷的测试样本可计算模型的KS和AUC值。

KS值越大，指模型能够将正负客户区分开的程度越大，当前天御欺诈评分的KS值在相同样本的表现超越同类评分。

AUC值越高，指模型在选择正负客户时，选择正确的概率越大，当前天御欺诈评分AUC已达到业内顶尖水平。

📋 某互金客户处的落地案例

03

贷中：行为评分B卡

通过履约、身份、网络、群体等多个维度构建行为评分卡，帮助业务方实现风险定额、风险定价。

📋 “收入-负债”预测模型，合理设定额度&利率

天御行为评分模型基于多维、异构的数据源建立“收入-负债”预测模型，根据用户行为偏好数据，利用机器学习和大数据技术，从几千个弱变量中提取出能够有效识别额度授予高低、利率定价高低的风险因子进行综合评分。

📋 适用场景

▶ 申请客群分层

▶ 贷前额度授予

▶ 贷中额度升降

▶ 拒绝客群捞回

📋 “行为评分B卡”输入&输出过程

📋 落地案例

⚡ 案例1：某银行通过行为评分B卡对授信人群进行分层，在一定表现内后查看“逾期”表现，好坏区分度差别近千倍。

⚡ 案例2：某银行使用天御“贷中行为评分”，实现客群置换和差异授信，实现用户捞回和差异授信两大效果。

⚡ 案例3：某银行使用天御行为评分，完成客户置换+置入客群差异化自动定额双重效果。

⚡ 案例4：某银行拒绝回捞场景，回捞客群风险明显低于正常审批通过客群，在无征信和短征信客群上表现显著！

04

贷后：逾期评分C卡

通过逾期用户的账龄模型、逾期模型、失联模型，对逾期用户进行排序，同时提出贷后管理建议。

📋 差异化催收策略，强弱得当

传统的贷后管理，主要依据是逾期时间和专家经验，没有一套有效的度量规则。随着逾期用户还款能力恶化，部分逾期客户可能会病急乱投医在网上找寻各种“秘籍”，从而加入到“反催收”组织中。

反催收人群对金融机构产生的威胁主要来源于高逾期率和投诉概率。以天御服务的某金融机构为例，A机构半年内被投诉41例，其中34%来自于专业反催收团伙（3例信访办，12例银监会）。

逾期评分C卡，主要使用在催收环节，对于不同的逾期客群，进行差异化的催收策略，对组织来说，实现贷后资源有的放矢；对客户来说，催收服务强弱适当。

逾期评分C卡相较于传统催收分层方法，回收率提升了20%以上。

📋 “逾期评分C卡”输入&输出过程

05

个性化：场景定制建模

业务方和天御通过联邦学习等AI建模技术，在数据不出域的情况下完成联合建模，实现特定业务目的。

📋 联邦学习-定制建模原理图

📋 “定制建模”输入&输出过程

通过贷前（行业风险评估、欺诈评分A卡）、贷中（行为评分B卡）、贷后（逾期评分C卡）各环节全面智能风控，配合个性化定制建模，天御产品可准确迅速规避风险，让金融欺诈无所遁形，为客户金融业务保驾护航！

扫码获取天御产品详细介绍

“行业真安全”系列扩展阅读：

👇 点击“阅读原文”，观看视频回放~