基於社交網路分析演算法（SNA）的反欺詐（三）

關於社交網路分析演算法的基礎知識、評價指標和常用演算法思路請參看本系列的前兩篇文章《基於社交網路分析演算法（SNA）的反欺詐（一）》和《基於社交網路分析演算法（SNA）的反欺詐（二）》，本文主要講社交網路演算法的應用。

應用一：消費金融反欺詐

近年來，消費金融行業快速發展，相比於傳統商業銀行，形成了自己獨特的優勢：填寫欄位少、在線操作、審核速度快、放貸及時。這類申請人群通常因缺乏徵信信息（一是客戶年輕化，二是一些消費金融公司不具有查詢徵信的資格）而給消費金融企業帶來了巨大的信用和欺詐風險。

如何在有限信用記錄甚至是「零」信用記錄下進行更準確的風險控制和欺詐識別是消費金融公司降本增效的關鍵問題。

解決這個問題通常有兩種方案，一是運用商業銀行廣泛使用的成熟的評分卡模型；二是新興的基於機器學習的信用預測（評分）模型。事實上，巧妙利用機器學習，可以將兩種方案結合，互為補充。

機器學習的原料是數據，數據主要分為三類：一是用戶主動提交的申請表信息；二是企業主動獲取的信息，如：用戶行為數據，設備數據，通訊錄等；三是第三方數據（徵信公司、運營商、社保公積金中心、法院執行、醫院等）。

有了數據，第二步就是要進行特徵工程，這也是整個演算法中最核心的一步。對此，作者的文章《反欺詐建模之數據預處理（文末有福利）》有比較詳細的介紹，在此不再贅述。

第三步，跑模型。由於本系列我們的主角是SNA，我們看下面一個典型社區。

圖中，紅色的點代表被拒絕的用戶，黑色的點代表穿越用戶（通過申請但有預期表現的用戶），綠色的點代表通過且表現良好的用戶。總結一下，該團伙的拒絕率達到66.8%，說明該團伙的平均用戶信用值較低；穿越用戶占所有通過用戶的91.4%，進一步驗證了該團伙的欺詐性。

特別地，在利用SNA進行社區分析時，派系圖具有更高的風險性。這種圖的背後通常是多人協作的團伙作案，其兩兩互通表示兩兩認識，背後的目的多為相互勾結，偽造信息以達到消費金融借貸審核要求，且這類社群多有內外勾結的情況，需要重點關注。

應用二：信用卡申請反欺詐

信用卡申請欺詐與消費金融類似，只是目前，信用卡線上化平均水平只有70%，且有些銀行甚至還沒有開始採集設備信息，因此缺乏一些在線電子化信息。但由於信用卡中心具有查詢用戶徵信數據的資質，所以相比於消費金融，會增加徵信數據，對模型輸入是一個很好的補充。

應用三：保險理賠反欺詐

SNA應用於保險理賠反欺詐已經有幾年的時間了，據某保險公司產險風控部專家透露，自其上線SNA演算法後，每年可提高預檢率2%，多識別出400+欺詐團伙，為公司節約2億+虛假理賠款。

車險理賠欺詐案件的識別，通常是利用車輛涉案人員、包括司機、報案人、受益人和傷者，以及修理廠、報案電話、檢修地點、GPS信息等數據進行SNA分析，識別可能的騙保團伙。例如，平安保險林晟副總經理在2015年分享的一個案例：有兩個上海車牌車輛與兩個江蘇車牌車輛發生了碰撞事故，單看感覺每個案件都很正常，但把他們放到SNA網路時，發現這個車的司機時那個案件的傷者，而一個案件的報案人又是另一個案件的司機。通過進一步調查分析，發現兩個駕駛員駕駛不同車輛，一年內共5次出險。

還有一個典型案例，可以與大家分享：

一修理廠員工通過駕駛道具車，充當三者，故意製造雙方事故，短期內高頻出險，利用交警「微損案件快速處理」的漏洞，自行拍攝車輛損失代替現場勘查，騙取保險賠款。通過SNA分析，除了修理廠的趙某某和蔡某某外，還發現了其他7名駕駛員，一舉拿下這個騙保團伙。

由於現在各保險公司的價格都已經不斷趨於同質化，而對於保險人選擇保險公司的依據也早已不是單獨的價格敏感了，快速理賠已經成為保險公司吸引保險人的重要因素之一了。因此有不法分子利用小額（<5000元）理賠便利，進行高頻出險騙保，SNA網路可以有效識別這一類騙保行為，將騙保團伙一網打盡。

應用四：銷售網路反欺詐

銷售網路反欺詐是有向圖的一個典型應用。為了促進銷售量，很多公司在促銷產品和服務時，都有發展二級代理或更下級代理的提成策略。而通常下級代理在賣出產品或服務時，上級代理會得到銷售公司的額外獎勵。例如，某保險銷售公司，如果二級代理銷售出一份保險，上級代理可獲得銷售公司額外的1%提成。如此，上級代理便利用這個規則，將自己的保單全部掛在二級代理上，以此獲得不法收入。據統計，僅一年時間，某銷售網點就利用銷售提成獎勵機制獲取800萬額外提成（涉案金額8000萬元人民幣）

特別感謝：本系列文章是基於維基百科、博客、微博等網路素材和黃姐姐實際項目經驗所作，在此特別感謝所有提供素材的作者和客戶爸爸們。

（本系列完）

感謝作者消費金融一刻鐘：http://www.sohu.com/a/193778162_99950513