交通銀行信用卡中心總經理談信用卡支付三大風險：變造交易套現、非法提額、營銷薅羊毛

近日，央行發布的《2018年第一季度支付體系運行總體情況》顯示，截至第一季度末，全國各金融機構共發行信用卡和借貸合一卡共計只有6.12億張。信用卡對鼓勵消費、擴大內需的作用尚未得到充分發揮。為了搶奪這個巨大的市場，各家銀行也是使出渾身解數，積極搶奪線上、線下生活、支付場景，發力移動支付，融入共享經濟，衣食住行各個環節一個都不放過，並積極與互聯網巨頭合作。比如，銀聯推出雲閃付，加快布局公交地鐵、菜場、餐飲、超市便利、公共繳費等場景，開始全面布局便民移動支付服務。各行業加大自己移動端的推廣等，包括工銀E生活、招商掌上生活、交通銀行買單吧。

信用卡三大新風險：變造交易套現、非法提額、營銷薅羊毛

在飛速發展的同時，信用卡也暴露出了新的問題。《2018年第一季度支付體系運行總體情況》數據顯示，信用卡逾期半年未償信貸總額達到711.48億元，而在2010年這一數字僅為76.89億元。也就是說，8年期間，信用卡逾期增長了8倍。

在6月1日的一次金融論壇上，交通銀行信用卡中心總經理王衛東先生表示，信用卡未償還餘額增長過快，市場風險有所提升。

「現在我經常要翻銷售隊伍（信用卡業務員）的辦公包，看看裡面有沒有POS機。按理說，我一個信用卡發卡的單位為什麼要檢查POS機呢？銷售員說POS機很方便啊，號稱『萬戶侯』，但是這個危害特別大」。

王衛東先生說，本來一個POS機對應一個商戶，現在1台POS機內置10種行業，每個行業可選1000多個商戶，可以輕易的模擬出20倍、甚至100倍的的虛假交易場景。而且這些商戶信息定期更新、自主選擇交易通道。這已經形成一套完整的產業鏈：上游提供收單機構（提供交易程序和通道）、終端廠商（提供硬體），到中游的外包服務商（灌裝密鑰程序，推廣銷售），下游就是各種套現（專業羊毛黨、洗錢客）等。他進一步表示，交通銀行信用卡上半年在內部發起了一場「雷霆行動」，凡是發現直銷人員有POS機的直接開除。

現場，王衛東先生總結了當前信用卡市場存在的三大風險，並表示如果不加以防範，這些問題會直接帶來金融風險。

1、變造交易套現並非法挪用。通過POS機套現產業鏈，使得商戶和交易信息完全失真，傳統的監管措施無法進行監測，銀行的傳統風控措施失效，從而讓不法分子進行輕鬆套現。被套現的資金被低成本的轉移到了現金貸，甚至流入了房地產、理財投資等。

從去年開始監管部門對現金貸的資金走向特別關注，反覆檢查各家機構的現金貸規模走向，但是依舊產生了大量套現交易。數據顯示2017年，某大型銀行年度現套現額達1000億元，而去年非法套現超萬億元，接近全行業持牌機構的現金貸規模。現金貸風險相比傳統的分期業務、消費信貸完全不同，所以去年居民槓桿率快速攀升也與此有關。因此，信用卡套現風險與監管機構防止居民槓桿率的過快增長的願景是相違背的，極易引發系統性金融風險。

2、非法提額，過度授信。發卡行通常根據客戶消費習慣制定授信額度，但是如果交易情況失真，額度控制就會完全失效。例如，近日某全國性商業銀行交易信息的失控，導致部分不符合標準的用戶短時間內提升6-10倍。通過變造交易場景，粉飾消費行為，把壞人偽裝成優質客戶，從而擾亂銀行的客戶額度策略，產生過度授信。過度授信就會加大居民槓桿，導致風險急劇加大。

3 、薅羊毛影響機構正常經營。當前銀行卡和支付機構經常在指定的行業開展營銷活動，以此促進消費，回饋客戶。但是藉助可變造交易的POS機終端，「羊毛黨」可以輕易改變活動規則定製交易場景，惡意套取營銷獎勵。近年來幾乎所有支付機構及銀行開展的信用卡營銷活動都遭受到了「羊毛黨」的危害，預計每年受損金額以數億計。而且部分「羊毛黨」非法組織煽動群眾惡意維權，引發了社會問題。

王衛東先生表示，這些問題的造成，就是因為交易信息不真實、商戶信息失真，進而導致銀行風控模型失效。站在行業發展角度，他提出對收單機構和終端廠商加強監管和行業自律的多項要求：加大監督檢查力度，發揮產學研行業的力量和智囊決策效用，制定行業自律公約等措施等。

防範風險的三個技術：實時決策系統、機器學習模型和大數據風險畫像

頂象技術一直在通過為銀行客戶建設的支付收單反欺詐解決方案，幫助銀行採用大數據風控手段提升對變相套現、非法提額及薅羊毛的欺詐識別能力，有效控制潛在風險。

頂象的實時風險策略系統、機器學習模型決策平台以及風險深度畫像等技術能夠良好防範上述信用卡的欺詐風險，「這些技術都是基於頂象與黑產多年實戰對抗的經驗，在交易欺詐識別中具有更強的實戰效果，而且運用了人工智慧支撐的關聯圖譜分析實現的深度畫像這柄利器」，頂象技術首席科學家施亮表示。

頂象深度畫像技術是基於對支付和收單的終端實體包括用戶維度的銀行卡、商戶維度的POS設備以及圍繞交易過程的所有維度要素及各類衍生變數的有效組織，來構建不同維度上的行為序列、關係網路等的更抽象的表徵，在保留數據自身信息的基礎上，進行複雜關係的數據挖掘並通過深度網路等演算法進行學習訓練，最終產出對終端實體和行為動作的分類聚類、異常檢測等判別能力，並與基於歷史經驗的反欺詐規則策略集綜合使用，從而達到對套現、非法提額及薅羊毛等行為的更強識別。

舉例來講，對於經常進行變相套現或是偽造交易行為的銀行卡或是商戶設備來講，即使混雜了一定量的正常交易訂單，其行為仍然與正常交易的銀行卡和商戶設備存在著一定的行為與關係網路上的差異，雖然這種差異較難用一般的行為解釋來衡量，但通過深度畫像技術，是可以進行群體區隔和異常分類的，頂象在此前的交易反欺詐實踐中已採用此方式發現了傳統規則類及機器學習方法所無法識別的風險終端。

風險關聯圖譜則是通過與頂象及合作夥伴多年積累的跨行業多維度黑產數據間的關聯線索來識別疑似惡意的行為，其基於的機制也是對於套現、交易偽造（即養卡）和薅羊毛的行為存在著群體聚集或是某些維度數據間的潛在關聯的判斷。

----------------------------------

* 作者：頂象技術

更多金融風控解決方案，請訪問頂象技術 - 互聯網業務安全的引領者

推薦閱讀：