前言

反欺诈的本质更多的是校验借款人的身份，也就是证明你就是你，我就是我。反欺诈也有很多金融术语（参见：/p/26197949），也便于我们更清楚欺诈风险点。针对信贷业务，主要有两种风险，欺诈风险和信用风险，从造成的损失来看欺诈风险是公司损失的主要风险；当前网络的欺诈从业人数超过200万，网络诈骗的市场规模约1200亿，因为骗贷、套现等手段造成倒闭的机构超过2000家。

欺诈风险分类大致有两种：

第一方欺诈——相似地址伪装、本人手机号小号、高级欺诈.....

第三方欺诈——团伙欺诈、身份冒用、养资料（设备农场、猫池）...

我们常用的手段有：策略反欺诈，直接欺诈类用户通过策略拒绝掉；反欺诈评分，信用风险向欺诈风险转移的用户通过反欺诈评分卡模型来搞定，模型能解决策略的局限性。

反欺诈模型实施要点

1. 特征选择

个人欺诈特征：比如命中法院执行名单、三方黑名单、三方欺诈分；详单数据（通话次数、详单中授信人数占比，一度、二度联系人数占比）

团伙欺诈特征：比如设备关联了多少身份证；IP登录异常、通讯录数据（e.g：通讯录中名字涉及到“贷款”的个数、通讯录中命中黑名单的人数）

特征细分类

基础信息：如年龄、申请授信次数

设备信息：如借款人对应手机个数

时间相关：如授信申请时间在0-6点

运营商相关：近180天通话时长（通讯录、通话详单可以单独挖掘，构建子模型）

三方：蜜罐手机灰度值、前海好信度评分等等

行为相关：7天内登录次数；首次点击到申请授信时长、一天内最多的session数、申请授信前一周的行为统计等

复杂网络：借款人一度、二度联系人个数等

Label定义

黑名单用户

首单逾期用户

策略拒绝用户

人工标记用户

模型评估

线下表现

p值和分数的分布

训练集和测试集的AUC、KS

拒绝率：如果阈值设置高于某个值，则拒绝的人数占总人数的占比（主要用于对比线上情况是否一致，类似分层的概念）

线上评估（同线下）

常用个人（C端）反欺诈体系

身份信息校验——人脸比对、ocr、活体识别、人证比对、虹膜识别

手机号验证与识别——短信验证码、语音验证码、图形验证码、拖动滑块式验证码、运营商、二次放号，虚假，未实名等等

地址定位——验证居住地和工作地真实性和真假，申请地址GPS和手机设备GPS地址是否匹配

设备指纹——其他设备指纹相关的规则（白骑士）、设备关联不同姓名（年龄，地区)的身份证等

银行卡——三要素验证、四要素验证、银行卡号归属地在高危地区、银行卡号命中盗卡黑名单等

多头检测——检测申请人最近是否多次申请贷款，外部都头数据，同盾、百融、极光、聚信立等

风险名单库——内外部黑名单，司法数据，逾期名单，失联名单，贷款黑中介名单是否命中，公检法公开的失信、申诉、被执行、吸毒、涉黄，各类征信数据联盟的不良名单等

知识图谱——联系人是否命中黑名单，通讯录涉黑、涉黄等

人工交叉电核——经验性话术设计、勾稽比对、交叉检验等

贷中监控反欺诈——行为数据，手机使用状况、出行记录、电商平台交易数据、还款行为数据、短时间频繁交易，大额交易，补卡盗刷等

如下是反欺诈在全流程信贷中的关键指标：

一、注册

二、登录

三、实名认证

四、绑卡

五、授信

六、放款

七、提现

参考文章1：/p/29068100

参考文章2：/p/43785235

参考文章3：https://mp./s/mBUAcAVaS8h66DvwzXUtHQ