中国数字金融反欺诈全景报告（2019）_39页_17mb

中国数字金融反欺诈全景报告(2019) 总结

核心内容

数字金融的发展为金融行业带来了新机遇，同时也带来了新的欺诈风险。随着技术的不断演进，金融欺诈的形式也变得更加复杂和隐蔽，呈现出黑产化、专业化、高频化和关联化等特征。AI和大数据技术的结合为反欺诈提供了新的解决方案，使反欺诈从被动防御转为主动识别和拦截。

主要观点

• 数字金融欺诈的特征：欺诈行为呈现黑产化、技术化、场景化和隐蔽化趋势，欺诈团伙形成完整的产业链，欺诈事件数量整体下降，但小额高频欺诈比重上升。
• AI赋能反欺诈：AI技术在反欺诈中的应用，使反欺诈体系能够提前识别欺诈行为，提高识别率和应对效率，降低欺诈风险。
• 构建反欺诈生态：反欺诈不仅需要技术支持，还需要数据、场景的深度融合，以及用户、金融机构、企业、监管和舆论的协同参与。

关键信息

数字金融欺诈现状

• 欺诈事件数量下降：近三年金融欺诈事件数量年均降幅超过20%，但小额高频欺诈比重上升。
• 欺诈类型分布：中介诈骗占比最高（50.7%），其次为收费代办（38.5%）、羊毛党（5.4%）、电信诈骗（3.1%）和套现（1.2%）。
• 受欺诈人群画像：
  • 地域分布：中东部地区欺诈事件集中，内蒙古、广东、河南等省份欺诈事件数量全国占比超50%。
  • 性别分布：男性更容易成为欺诈受害者，占比达65.5%，女性在羊毛党事件中受害概率更高。
  • 年龄分布：90后为主要受害人群，占比达66%，80后和80前分别占7%和5%。
  • 学历分布：专科学历人群占比最高（44.4%），博士学历仅占0.1%。

AI反欺诈技术

• AI技术优势：AI技术使反欺诈从“事后处理”转向“事前识别”，并具备实时监控、自动决策和风险预测能力。
• AI技术应用：包括有监督机器学习、无监督机器学习、规则引擎、大数据分析、LBS风险评估、舆情监控、复杂关系网络等。
• 反欺诈系统组成：AI反欺诈系统通常包括实时监控、排查、演算、规则引擎、信息库和舆论收集等模块。

乐信案例

• 全AI反欺诈体系：乐信构建了覆盖数据、技术、机制和场景的全AI反欺诈体系，欺诈率仅为0.003BP，远低于行业平均水平（1.16BP）。
• 反欺诈效果：乐信通过AI技术成功拦截了大量欺诈行为，年均拦截欺诈订单近4000万，日均拦截欺诈金额超300万元。
• 技术与数据：乐信利用大数据、云计算、区块链等技术，结合用户行为数据和环境数据，构建了精准的反欺诈模型。

DataVisor案例

• 无监督反欺诈技术：DataVisor采用无监督机器学习引擎，能够识别批量注册、虚假账户等行为。
• 技术架构：包括无监督学习引擎、有监督学习引擎、规则引擎和全球信誉库。
• 反欺诈能力：DataVisor已累计保护超过41亿用户，处理用户事件达8千亿。

中诚信征信案例

• 万象智慧风控平台：中诚信征信基于知识图谱、机器学习等技术，构建了覆盖贷前、贷中、贷后全过程的智能风控体系。
• 反欺诈方案：包括关联风险挖掘、智能建模分析、自动决策引擎和个体信用风险管理。
• 技术应用：利用图分析、异常检测等技术，实现对复杂欺诈行为的识别和拦截。

慧安金科案例

• 半监督主动式机器学习：慧安金科将专家经验与AI系统结合，形成以客户场景为导向的预测模型。
• 反欺诈产品：包括反洗钱、交易反欺诈、营销反欺诈和操作风险识别等。
• 技术核心：基于用户行为数据和环境数据，结合分类、聚类算法和图分析，构建企业级AI反欺诈系统。

反欺诈生态构建

• 数据、技术与场景：构建三位一体的反欺诈体系，需结合数据、技术与场景，适应“小数据”环境。
• 联邦学习技术：企业间可探索联邦学习模式，实现数据共享，提高反欺诈系统效率。
• 场景细分：反欺诈体系需根据具体场景进行针对性设计，不存在普适性解决方案。
• 全方位参与：需要用户、金融机构、企业、监管机构和社会舆论等多方协同，形成反欺诈生态。

反欺诈挑战与建议

• 数据孤岛问题：数据分散，企业间数据难以共享，需探索联邦学习等技术。
• 技术与数据融合：反欺诈系统需融合技术与数据，实现精准识别。
• 构建反欺诈生态：需加强企业间合作，推动信息共享，形成联防联控机制。
• 用户教育与意识提升：需加强用户安全意识，提升其防范能力。

附录信息

• 常见欺诈作案工具：包括改机工具、群控平台、猫池、短信嗅探设备、VOIP/GOIP网络电话设备等。
• 常见欺诈手法：包括薅羊毛、网络贷款诈骗、电信诈骗、套现、理财诈骗等。

反欺诈技术与数据

• 数据是基础：反欺诈系统需基于数据进行构建，适应“小数据”环境，通过深度挖掘和精细化运营实现价值。
• 技术是核心：包括有监督、无监督机器学习、规则引擎、LBS风险评估、舆情监控等。
• 场景是土壤：不同场景产生不同的数据，反欺诈需根据具体场景设计解决方案。

AI反欺诈技术

• AI技术应用：包括复杂关系网络、收货地址聚类分析、用户行为风险分析、LBS风险评估、舆情监控、多平台指数等。
• AI技术优势：实现事前识别、事中监控、事后追赔的全流程反欺诈管理。
• AI技术挑战：需解决数据隐私、技术更新速度、模型准确性等问题。

反欺诈生态构建

• 多方协作：需用户、金融机构、企业、监管机构、社会舆论等多方参与，形成联防联控机制。
• 技术与数据融合：通过技术手段对数据进行分析，提升反欺诈系统的准确性和效率。
• 平台与数据共享：构建反欺诈信息共享平台，提高全社会对欺诈行为的识别和应对能力。