猛犸反欺诈刘刚：国家队若入场，将影响黑名单类公司 | 爱分析访谈 | 自由微信

原创：人物访谈 2018-05-31

调研 | 刘馥亮吴云

撰写 | 吴云

欺诈是各行各业都会面临的一大难题，金融行业尤甚。目前国内消费金融年贷款额就近6万亿，按5%的欺诈率计算，潜在损失约3000亿。猛犸反欺诈VP刘刚表示，“5%是一个很保守的数字，如果把现金贷产品包括进来，加上银行系的消费金融业务量，预计远大于这个数。”

目前国内做反欺诈的厂商主要有两大类，一类是百融，同盾等风控平台，通过第三方渠道获取数据，积累了丰富的黑名单库，以此作为反欺诈的基础。另一类是BAT等利用自身体系内积累的数据做反欺诈。猛犸则另辟蹊径，利用内外部的行为数据进行反欺诈。

Gartner认为金融欺诈的风险分五层，第一层是设备风险，后面依次是交互行为风险，单渠道风险，多渠道风险和UEBA（User and Entity Behavior Analytics）。猛犸目前关注的是设备风险和交互行为风险。其中设备风险是后面四层的基础，也为行为分析提供了数据集，贯穿于Gartner五层风险结构。

猛犸的做法是通过设备指纹识别来控制欺诈风险。与其它厂商通过SDK等方式获取用户信息，然后生成设备指纹不同，猛犸是基于通信协议栈分析欺诈行为，能实现APP和移动端H5网页间，不同浏览器之间的设备识别。目前，猛犸已积累了超过3亿的设备指纹。

出于反欺诈的实时性要求，猛犸采用流计算以快速处理大量数据，实时反馈结果。而对于大量且杂乱无章的数据，猛犸采用了无监督式的机器学习来处理。刘刚表示，“这两个是我们的核心技术，再加上我们积累的金融行业服务经验，构成了我们的核心竞争力。”

成立之初，猛犸曾在出行、游戏和电商等细分领域探索过反欺诈，最终聚焦到金融行业。除了金融行业对反欺诈的预算更为充足外，核心原因是对欺诈的容忍度低，需求更为强烈。

目前，猛犸的客户主要有两类：银行和互金平台。服务互金平台多为SaaS模式，而服务银行是本地化部署。2017年，猛犸实现营收近千万。

对于未来的发展战略，刘刚表示，“我们会专注于反欺诈，不会去做征信，因为这是完全不同的领域。征信更需要的是业务闭环数据，而我们的相对优势是技术。”

近期，爱分析对猛犸反欺诈的产品与市场VP刘刚进行了访谈，就国内反欺诈趋势和猛犸的发展战略作了交流，现摘取部分内容分享如下。

国家队若入场反欺诈，影响黑名单类公司

爱分析：对未来反欺诈的市场发展趋势有什么判断？

刘刚：欺诈有两种，一种是用自己的身份，另一种是第三方欺诈。现在越来越多的欺诈是通过购买或者盗窃别人的身份进行，第三方欺诈占比越来越高。对此，行业内有的是通过人脸识别等活体检测去反欺诈，我们是通过设备指纹去实现反欺诈。方法本身并没有绝对的优劣，只是投入产出比的问题。

2017年6月，国家出台了网络安全法以及两高解释，一些所谓的大数据公司就清盘了。此后，我认为政府对于数据的隐私保护会越来越重视。前段时间工信部约谈了部分头部互联网企业，所以企业获取用户的数据会越来越难。

另外，政府将会强势进入反欺诈领域，一旦国家队进场，对黑名单类公司可能会有比较大的影响。

爱分析：目前国内反欺诈领域的玩家主要有哪几类？

刘刚：我把反欺诈市场的玩家分成三大流派：黑名单，场景和技术流派。

黑名单的逻辑就是尽可能把市场上所有人的逾期等数据拿到，以“一日为贼，终生为贼”的原则去判断。它的好处就是决策简单快捷，用户落到黑名单里就是不好，没在名单里就是好。技术门槛也比较低，是现在市场上大部分反欺诈厂商都选择这条路。

场景流派就是当企业大到一定程度后，通过内部丰富的场景积累数据，然后输出反欺诈、征信等能力。国内主要是BATJ，尤其是芝麻信用，已经变成很多互金平台的标配。优点很明显，因为它有大量强相关数据，可以把一个人刻画的比较精准。

一个信用分应用的范围越广，通过欺诈手段提升信用分的收益就会提高。一旦收益能覆盖各类风险成本，欺诈就是值得的。另外，大平台都有自己的金融业务，既当裁判员又当运动员，而且是非常凶猛的运动员，这会让一些互金平台产生顾虑。

我们把自己定义为技术流派，主要利用外部的行为数据。这部分数据有三个特点，一是数据量特别大，二是数据结构复杂，三是数据价值很稀薄。这种数据未必能用于征信，但用于反欺诈完全可行。通过识别设备的一些操作行为，就可以判断欺诈风险。

爱分析：为什么选择技术切入？

刘刚：我们在技术上有相对优势。我们的设备指纹库里已经积累了大量的设备指纹信息，并且在这个过程中积累和完善了技术和经验。

对某些厂商而言，拿黑名单有相对优势。对于我们这种技术出身的人，那条路反而比较难做，技术会更容易一点。

爱分析：黑名单类公司的反欺诈逻辑存在哪些问题？

刘刚：一是不能有效防止白户欺诈。现在中国还有很大一部分人是没有征信记录的，黑名单记录也远没有覆盖全部人口。有大量的所谓信用白户会被欺诈分子利用，此时黑名单就失灵了。

第二个缺点是一些黑名单平台通过手机号来识别用户，但有些人会换号。如果用户本身是好人，但因为换了一个曾经有过不良记录的手机号，就会被黑名单误杀。

第三是法律边界问题。用户虽然有过逾期等行为，但是谁有权利掌握这些信息，并且有权把这些信息提供给别人，目前中国的针对性法律法规正在完善。

已积累设备指纹超3亿

爱分析：反欺诈涉及到的数据有哪些类型？

刘刚：数据的分类可以在一个二维象限中表示出来。其中交易数据包括借贷，还款，逾期等信息，行为数据主要是人对设备的操作等行为信息。

爱分析：目前积累的数据库有多大？

刘刚：我们最初是从快的和一些游戏厂商、电商平台开始积累数据，目前有3亿多的设备指纹库，这里面包括正在使用和曾经使用过的移动设备。

爱分析：在与银行和互金平台合作时，猛犸能获得数据反馈？

刘刚：有两种途径获得反馈，一种是我们给客户提供服务后，通过观察客户会对哪些产品进行续订等行为，定性判断效果。第二是会跟一些客户联合建模，我们不需要它的原始数据，但会有结果的反馈，比如哪些字段重要，对最终的结果影响有多大，以此完善算法。

爱分析：猛犸会考虑直接打包输出设备指纹库？

刘刚：这个还没想好。我们现在向银行和消金公司输出的是技术能力，包括流计算，机器学习，设备指纹等。另外，我们也会输出基于数据的行业经验，比如把我们对互联网金融市场欺诈行为趋势和表现的认识、经验，以数据或以模型的形式输出给银行，这类服务的比例可能会越来越高。

如果单纯的技术输出，市场上可能有一些比我们强，但我们积累的数据和经验是一个独特优势，现在市场上能把技术和金融行业经验结合起来的不多。

流计算和无监督学习是核心技术

爱分析：识别欺诈的核心逻辑是什么？

刘刚：从统计学上说，最核心的是要符合分散原则。只要是分散的，欺诈的可能性就低，剩下的就是信用风险问题。

爱分析：猛犸的核心技术是什么？

刘刚：我们最核心的技术能力是流计算和无监督式的机器学习。

现在数据量越来越大，要快速地从这些杂乱无章的数据中提取出有效信息，并作出欺诈风险分析，就需要用到流计算，以实现实时计算并反馈。实际操作中，我们把从手机设备端收到的大量行为数据进行实时分析，提取出特征和规则等，给金融平台输出欺诈风险判断。

市场上的很多欺诈行为都已经上升到人工智能层面，原来的那种黑名单式的静态规则就会失效，必须要采用无监督式的机器学习来代替，所以我们是在用人工智能来反击人工智能欺诈行为。

爱分析：是否意味着大平台的流计算需求更强烈，且能力更强？

刘刚：一般是这样的，比如BAT的流计算能力就很强。在金融行业，大银行的流计算能力也很强，但小银行可能就比较弱一些，我们就有比较优势。如果单看流计算能力，我们可能不是最强的，但我们有金融行业经验，这是我们区别于其它平台的重要能力。

爱分析：金融平台的不同业务对流计算的要求有何区别？

刘刚：有些场景的产品实时性要求高，有些场景的实时性要求低。比如同现金贷场景要求实时出结果，可能要求达到毫秒级别。但家装分期，医美分期的实时性要求就没那么高，秒级就可以了。

如果把所有场景都按照同样的系统和标准去服务，就会出现资源配置不当的问题。比如时间要求低的场景消耗了太多的处理能力，影响了实时性要求高的场景出结果，无法得到及时的响应。我们分层服务的逻辑和设计就可以体现优势。

爱分析：猛犸做设备指纹的方式和市场上其它玩家有什么区别？

刘刚：在Gartner的五层金融欺诈风险中，我们目前关注的是设备风险和交互行为风险，主要是手机。设备风险是最基础的风险，这一关没把好，后面的风险就难以控制。

现在市场上很多做设备指纹的平台是采用主动获取的方式，就是通过APP里的权限来抓取设备信息，然后把抓取到的信息当成是设备指纹。这种做法效果很好，而且技术门槛不高。但现在很多欺诈团伙利用一些集成工具进行刷机等处理后，就能绕过这种所谓的设备指纹。

网络通信的OSI模型有7层结构，会从第一层物理层开始，分析到第五层，目前的欺诈识别已经很准确。比如有100笔贷款申请，从设备 ID上看是100个人在申请，但通过我们的被动式设备指纹和设备相似度分析就能判断出其中30个申请是来自于同一个手机的可能性非常大，欺诈的可能性就很大。而主动式设备指纹可能就无法分辨。