大數據與智能反欺詐應用淺析
01-30
銀行業一直備受各類欺詐交易困擾,僅銀行卡欺詐每年造成的損失就逾百億,欺詐率高達萬分之二。欺詐交易一旦發生,不只是擾亂銀行的正常經營行為,同時也會對銀行本身的聲譽造成極大影響。銀行通常採用專家規則、黑名單庫等方式對欺詐風險進行防範,然而傳統的專家規則有許多提升潛力。首先,專家經驗得出的規則存在局限性,不可能枚舉所有業務場景,無法對各類交易進行全面覆蓋。其次,欺詐者會針對性的對已有規則進行迴避,專家規則處於被動調整的位置,無法跟上欺詐手段的更新換代。最後,規則積累達到一定數量後,誤報率較高,能夠影響到實際風險決策的制定。傳統欺詐主要包括申請欺詐和交易欺詐兩種類型,近年來電子渠道欺詐和團伙欺詐成為新的關注重點。在實踐的過程中嘗試在深入應用大數據價值,分別針對申請欺詐和電子渠道欺詐建立智能化模型,在機器學習技術的支持下實現了點的突破。建模思路是從數據中提取客戶多維度異常模式,探索大數據反欺詐規則,並逐步實現智能、主動、精準、全覆蓋的異常識別功能。
推薦閱讀:
大數據與客戶融合
在客戶管理的發展過程中曾經出現過三個名詞,crm、cxm和cem,分別對應relation、experience和engagement,逐步強調客戶體驗和融合。分析CEM四個維度的數據屬性,似乎同樣適合於風控和反欺詐領域;其中Active是目前嘗試比較多的部分,另外幾項則依賴於AI技術的發展和應用場景的豐富。 伴隨移動互聯網和社交網路的發展,Active這部分的數據積累和應用是在逐步加強的,比如藉助客戶行為數據的採集以及物聯網技術相關的應用場景,企業能夠獲取客戶更多的活動信息。這是目前客戶畫像等相關項目的重點建設目標,對客戶進行360度全面感知,建立個性化的標籤庫從而更好的支持營銷活動開展。採集到的數據可以應用到風控和反欺詐領域,數據視角下更加強調數據資產的價值傳導和變現增值,這與傳統IT重系統及流程建設有很大區別。因此,將這些數據應用到反欺詐過程中會涉及到人、流程和技術的改變;對大多數傳統銀行來說,觀念的改變要優先於流程和技術。Emotional、Rational和Ethical三部分更加複雜,並不能直接通過客戶數據的簡單加工獲得。每個對應的客戶標籤都需要構建數據挖掘模型,過程中綜合分析文本、語音、視頻以及外部補充數據,進而探查客戶的深層次標籤信息。這是目前AI技術的主攻目標,然而基於現有公開資料,AI的應用場景雖然存在,但實用、划算的還很少。
智能化反欺詐的典型技術通過大數據的積累和應用,綜合應用反欺詐規則和智能模型,建立全面反欺詐體系。模型通常包括監督和無監督兩種,對應不同的反欺詐場景。開篇提到過兩個模型,第一個是結合社交網路分析和信用評分技術做的申請反欺詐的量化預測模型,第二個是基於機器學習技術構建的渠道行為反欺詐模型,整體效果都還可以。社交網路分析技術對於風控和反欺詐能夠發揮很好的作用,這一點各個銀行都有類似的探索和應用。更多的數據和更強的演算法,簡簡單單的組合就能幫助銀行提升欺詐風險管控能力。更強的演算法體現在機器學習、複雜網路、自然語言處理等領域;換句話說,介紹幾項典型的AI或大數據分析技術:1、聚類分析是典型的無監督學習方法,利用好壞客戶人群區分度高的特點,將所有客戶分為兩個聚類,同一聚類中的客戶相似度較高,而不同聚類間的客戶相似度較低。選取客戶數目少的聚類作為異常客戶,每個異常客戶到正常客戶聚類中心的距離即為客戶異常評分,評分越高越異常。2、自編碼網路是深度學習中的無監督方法,利用反向傳播演算法訓練中間層,使得目標值儘可能等於輸入值。對於總體數量佔比比較少的異常客戶,在訓練網路過程中會損失較多信息,比較每個客戶損失量的多少可以給出異常客戶的可能性和排名。自編碼網路演算法可以自動生成較多交叉項,提煉出深層次的指標特性。
3、社交網路分析是融合多學科理論和方法,為理解各種社交關係的形成、行為特點分析以及信息傳播的規律提供的一種可計算的分析方法。社交網路分析方法旨在建立一個網路與真實世界的實體與關係映射,在銀行應用中的典型實體包括客戶、賬戶、員工等。社交網路分析通常關注靜態和動態兩個層面的網路特徵,靜態特徵包括提取網路指標、對網路特徵刻畫、識別網路群組等;動態特徵主要包括描述網路如何隨時間推移進行擴散、如何影響其他節點等。創新層面的補充關於創新方面,簡單說兩點。首先是智能反欺詐的發展需要思路上的創新,將大數據應用和機器學習模型應用到反欺詐領域,優化傳統專家規則庫的識別結果,同時模型應該具有自學習更新優化能力。另外在功能方面也要創新,模型和規則的綜合應用能夠實現互補,通過構建數據產品能夠支持量化分析和精準決策。
開篇提到申請和交易的兩個反欺詐模型,後面有機會可以單獨成篇。另外關於銀行智能化轉型,之前也有幾篇文章發出,後續會在實踐中逐步深入。研究與應用的過程中會陸續推出新的文章,乾貨適時發布,亮點在於吐槽。 更多文章,請關注本文公眾號。多多交流,共同進步!推薦閱讀: