每日最新頭條.有趣資訊

五千多人參與申請的新型借貸詐騙套路,是怎麽被識破的?

在金融科技行業,隨著反欺詐技術的升級,黑產的日子,不再那麽好過了。

但他們依然有著極佳的嗅覺。在金融領域,只要哪裡破了一個口子,他們就會聞風而動,蜂擁而入。

等金融機構反應過來,他們已經迅速撤離,開始尋找下一個獵物。

而此時,損失已經造成。

有什麽辦法,可以防住這群不法之徒?

01一級警報響起

9月21日晚10點,信用算力的反欺詐預警系統,拉響了“一級警報”。

在系統中,“上海X升金融有限公司”關聯群組,短時間內從三級關注名單,躍至一級風險排查名單。

信用算力欺詐管理崗的張明發現,在很短的一個時段,與上述公司相關聯的可疑“借款申請”多達五千多個,且較為集中地申請了與信用算力乘風精準行銷平台合作的某持牌消費金融產品。

這些申請人填寫的地址,都集中在上海市浦東新區某一處,門牌號均相同。而這個地點,是上海人口密集的製造型工廠聚集地。

通過DBSCAN聚類畫像分析,張明發現這批申請人有以下特點:非上海戶籍,戶籍地分散,手機號歸屬地、GPS定位地、設備關聯度要素分散,活體識別認證均為本人,並未發現屏拍現象。

這是中介團夥的集中包裝嗎?不太像——地址如此集中,如果是中介代辦,未免太過愚蠢。

這是單一企業員工在集中申請借款嗎?

憑借多年風控實戰經驗,張明判斷,也不太像。

一個主要原因,是申請者的工作地,與其實際居住地、戶籍、手機歸屬GPS定位,存在明顯矛盾。

這其中,必有“貓膩”,排查還在繼續。

通過複雜數據處理和交叉信息預判,張明認定,這是一起“新型借貸詐騙套路”。

在這種套路下,詐騙團夥會偽裝成大型知名貸款公司,通過短信、QQ、微信等方式和用戶聯繫,收取多種貸前“附加服務”費用,最後卻不放款。

“因為是向借款人而非金融機構實施欺詐,詐騙團夥自然不會在資料包裝方面多花精力。”張明解釋道。

找出欺詐團夥、涉案人群人數以及完成對新欺詐手段的定性,並不是反欺詐的終點。

02五大反欺詐防線

和這起新型借貸詐騙案例一樣,越來越多的欺詐事件呈現出隱蔽性和稀釋性,群體壞樣本量小、聚集度高的特性。

依靠傳統的反欺詐手段,很難對此進行精準識別和防禦。有什麽方法可以防住欺詐分子,讓欺詐識別率再高一點?

信用算力風控團隊打造了反欺詐“蛛網”防禦系統。在這個體系中,設置了五道反欺詐防線,分別是:構建強規則集、組建弱規則評分矩陣、強化關係圖譜、強化群組聚類算法、強化離群檢測。

此外,這個系統還通過欺詐關注清單、欺詐信息檢驗、欺詐模型評分等手段,實現實時、精準、全方位的風險防控。

1.強規則集

區別於觸碰單個規則即可精確識別欺詐人群規則,“蛛網”系統構建的強規則集,實現了對多個單一規則的組合,常見的強規則集如:黑名單、同設備關聯多人、同Wi-Fi關聯多人、同GPS關聯多人等。

2.弱規則評分矩陣

弱規則作為拒絕規則還不夠準確,而弱規則組合起來形成的評分模型,則可以通過命中一個弱規則累加或累減一個分數,超過一定或低於一定分數的人,確保“蛛網”系統可以精準地判斷出欺詐人群。

3.關係圖譜

信息抽取是構建關係圖譜的基礎。基於圖數據庫的關係圖譜技術,打破了傳統關係型數據庫的維度以及層級限制,確保“蛛網”系統實現跨維度深層級的聚合關聯。

4.群組聚類算法

使用聚類算法如K-means、DBSCAN、EM等,在海量用戶中實現團夥挖掘,輔助“蛛網”系統主動識別新型欺詐模式。例如在“X升金融”的案件中,就是通過用戶數據中的某種超乎尋常的一致性,識別出欺詐風險。

5.離群檢測算法

與聚類分析不同,離群檢測主要利用密度、深度、距離等算法,檢測離群用戶,發現與大部分顯著不同的對象,實現“蛛網”系統對個例欺詐的精準防控。

通過這五大防線,信用算力能夠實現對欺詐風險全面、實時、精準的識別,作為前置風控的重要一環,信用算力可以為合作機構構建完善的欺詐風險防範體系,從而做好用戶初篩工作。

03全流程風控之道

貸前反欺詐只能把一部分欺詐類的“壞客戶”擋在外面,但不能保證通過貸前反欺詐的客戶都是能按時還款的“好客戶”。加強信用風險評估,做好貸中貸後的監控和管理,對提高信貸資產質量也至關重要。

基於此,信用算力打造了可視化、高並發、全流程的巡風智能風控系統,向外開放風控建模與決策服務能力,搭建智能化、自助化、靈活化風險防範與分析生態體系,提供標準化快速對接方式,實現全方位、立體化的風險防控。

“風控模型真正的作用,絕不在於對歷史數據的擬合,而是在於對未來的預測。”信用算力風控團隊數據模型負責人這樣表示。

在他看來,模型能夠發揮作用的一個基本假設,就是“歷史會重現”——在歷史數據中隱藏的規律,會在未來繼續發揮作用。這就對建模人員提出了極高的要求:在訓練模型時,要確保模型從歷史數據中發現的是真正的“規律”,而不是干擾的“噪聲”。

而信用算力的風控團隊,在這方面有自身優勢。

信用算力風控團隊大多“出自名門”:有人來自平安、交通等頭部銀行的個人信貸業務與風控部門,有人來自持牌消金和上市金融科技公司的核心風控部門。他們負責過的信貸業務,規模超過300億。

這樣一支複合型+實踐型團隊的最大的共同點,是有多年風控實戰經驗,熟知行業前沿的風險模型算法,同時天然地對數據與變化保持著高度敏感。

如在數據預處理階段,信用算力風控團隊將所有建模數據分成訓練集、測試集和驗證集,分別用來訓練模型參數、篩選出最優模型、評估最優模型的一般統計功效,並將三者的樣本量比例選定在7:2:1左右。

信用算力風控團隊利用知識圖譜分析、單變量分析、文本挖掘等數據挖掘手段,從海量指標中挑選出與壞账風險有較強相關性的指標,通過XGBOOST、隨機森林、邏輯回歸、K-fold、Stacking等機器學習算法,計算借款人個人信用綜合評分,以此實現用戶借款需求與金融機構產品的精準匹配,確保風險可控。

完成上述建模線上部署後,模型通常會具有較高的區分能力和穩定性,能夠有效評估借款客戶逾期的可能性。

從數據預處理出發,到建模、模型訓練、模型線上部署、建模報告輸出,目前,信用算力部署了一套完整的、全自動化的風險建模流程,構建了渠道風控、貸前風控、貸中監控、貸後管理能力,同時可向外輸出核心分布式微服務系統架構、容器引擎及SaaS平台技術。

實戰團隊與前沿技術加持,信用算力風控系統數據表現十分亮眼。除了消費信貸場景,巡風智能風控系統能力在電商、手機租賃等場景也得到驗證與認可。

“信用算力可以依據不同場景下的風控業務需求;為合作機構打造線上業務全流程服務模式,快速對接海量資產,助力合作機構高質量、高效率地完成業務表現,目前有持續合作意向機構達上百家。”信用算力風控負責人稱。

獲得更多的PTT最新消息
按讚加入粉絲團