最有看点的互联网金融门户

最有看点的互联网金融门户
通用

AI风控落地:复杂网络4.0重磅发布,多项创新加码团伙欺诈分析

本文共4832字,预计阅读时间155

团伙欺诈的泛滥,给传统风控方式带来挑战。同盾科技复杂网络4.0提供实时可视化关联分析,通过更深层信息挖掘和推理,提供动态分析和监测。在反欺诈领域,如实时团伙检测、催收号码识别等,以及客户价值挖掘等均有广泛应用。其中,百亿级金融图数据库(几百万团伙及其成员)、风险传播算法及知识表示学习系首次发布。

一、欺诈趋势:团伙欺诈成顽疾

“穷则变、变则通、通则久”

1.欺诈产业化成新趋势

近年来,传统金融机构业务逐渐互联网化,新金融模式也层出不穷,但金融的本质未变,风控依然是核心。传统金融风险在互联网金融领域依然存在。同时,追求速度的互联网金融也打开了“潘多拉”盒子,“快”意味着效率,也意味着缺陷和额外的风险,事实证明,随着互联网金融的普及,金融欺诈也随之普及,并大有西风压倒东风之势,让从业者闻“欺诈”色变。

“苟富贵,勿相忘”和“逐利性”,让一部分先“富”起来的人,带动其他人共同“致富”,并逐渐形成了有组织、有纪律和分工明确的欺诈上下游产业链,如专业的技术开发产业、身份信用包装和虚假身份提供产业、业务漏洞发现和欺诈方法传授产业。据不完全统计,仅2017年,中国的网络欺诈导致的损失近5000亿元。“谁割肉,谁痛苦,谁改变”,因此,金融机构团伙反欺诈的需求强烈而迫切,自是不言而喻的。

2.团伙欺诈案例

如下选取三个真实的团伙欺诈案例,相关企业及人名已作模糊化处理。

案例一:银行信用卡养卡套现

“某团伙在某村庄以招工的名义大量收取村民的身份证,并申请信用卡,然后刷卡透支,让村民背负银行债务。此时,银行按照过往经验便会判定该村地址为欺诈地址,使该村村民抹上信用污点。”风控难点:银行卡套现风险。

案例二:汽车金融“零首付”中间团伙骗贷

“某团伙打出‘零首付购车’广告,垫付首付款和代办贷款,购车人不花钱即可拿到车。于是,购车人购买价值25万的本田,团伙垫付10万的首付款后,要求先将车开走用于抵押办理高额度信用卡,再从信用卡中取走垫付的首付款。当把车开走后便杳无音信,购车人不仅未拿到车,每月得还6000多元的银行贷款。”风控难点:中间人团伙骗贷已成为汽车金融风险最高的风险类型。

案例三:娱乐直播羊毛党薅羊毛

“某团伙利用某直播平台业务拓展需要,利用大量的新用户身份信息注册、登录平台领取红包,成功薅羊毛数百万”。风控难点:快速识别注册、登录或营销场景下,注册手机号或设备风险。

其他如信贷行业、第三方支付、电商、保险等领域的团伙欺诈也犹如雨后春笋般层出叠见,本文不再一一详述。

3.团伙欺诈识别的难点&挑战点

商场如战场,金融领域竞争激烈,若比竞争对手审核快1s或风控正确率多1%,则市场份额会发生根本改变。“知彼知己”是制胜良策,同盾科技作为智能风控服务商,在分析大量真实团伙欺诈案例基础上,化繁为简、归纳总结出团伙欺诈的特点、共性和作案手段,如技术更新快、组织基本稳定、关联关系强,以及为节省成本,通常会重复利用信息、设备和账号等(如图1所示),最终“拨开云雾见月明”,揪出“狐狸尾巴”。

图1:团伙欺诈的特点

团伙欺诈导致风控难度急剧上升,基于线性模型的传统风控,未评估关联关系对风险的影响。“穷则思变”,单纯依靠“增加核流程、全方位的人工调查”导致成本居高不下且往往事倍功半,行业迫切需要更多数据源、自动化团伙分析和决策模型。但数据和技术的高门槛让人望而却步,非一朝一夕所能解决。

正所谓当此困顿之局,唯破局者可立”,同盾科技基于”智能诚信网络”理念、技术的持续创新以及新场景的战略部署,在数据、技术、场景和计算能力方面积累了丰富的实战经验,早在2015年即部署复杂网络技术应对团伙欺诈挑战,经过3年调优,已迭代至复杂网络4.0。

二、破局:同盾科技复杂网络的创新性应用

“工欲善其事,必先利其器”

【知识储备:人类最擅长的思维方式是将点和线关联,并由点及面、抽丝剥茧,逐步理清逻其中的辑推理关系。世间万物是错综复杂的关系网,但无论形式多么复杂,其本质都是简单的三元组,即:实体-关系-实体。】

1.复杂网络产品

(1)复杂网络定义

从概念评述:复杂网络能针对复杂对象的关联关系进行非线性建模,由节点(实体)和节点之间错综复杂的关系(实体之间关系)构成拓扑网络,当异常关系聚集出现时,即可识别欺诈行为。拓展了风险识别的边界和维度,解决了金融场景数据量大、数据复杂和数据不完整的基本问题,帮助金融机构减少风险,降低风控成本,提高决策效率。

从产品评述:复杂网络是同盾科技核心产品和技术之一,融合同盾大数据和外部数据,提供实时可视化关联分析,将规则、关系及变量通过关系网络表现,通过更深层信息挖掘和推理,提供动态分析和监测。在反欺诈领域,如实时团伙检测、催收号码识别等,以及客户价值挖掘等均有广泛应用

(2)复杂网络技术原理

“打铁还需自身硬”,数据和技术是关键。同盾科技打通跨行业数据及外部数据,结合文本、图片等非结构化数据抽取技术,完成结构化与非结构化信息融合,将时空大数据编织成“实体-关系-实体”的拓扑关系网,当输入“种子数据/线索”,则由点及面、抽丝剥茧,最终顺藤摸瓜找到与之有关联的所有信息,并通过图计算、知识表示和机器学习等技术进行黑中介团伙等的智能化挖掘分析。

图2:同盾科技复杂网技术原理

“知易行难”,同盾科技在复杂网络和知识图谱领域做了深入探索,在关系网络分析中融合组合、数值和统计思维,积累了一些经验和技巧。在可扩展性算法方面:如局部网络推理、高斯-马尔可夫随机场中取样、稀疏化、图分割、拉普拉斯范式等。数据可视化方面:使用仿真力学模型替代传统的拓扑图关系可视化算法。通过持续的实践-反馈-实践,不断提升复杂网络的精准度。

图3:复杂网络图分割探索优化

(3)复杂网络功能

复杂网络在应用上,既可作为产品输出,也可作为技术能力输出。

实时风险群体分析、可视化工作台及风险群体报告是复杂网络作为产品输出的呈现,分别在事前、事中和事后支持欺诈团伙的智能化分析。实时风险群体分析支持灵活的策略配置,可毫秒级返回分析结果(见下图),如:关联风险分、丰富的量化指标、关系图和建议,直观呈现欺诈团伙的组织形式、核心成员、地址及时间特性。可视化工作台可进行数据动态关联分析,如分析人员聚类、时间聚类、地址聚类等。风险群体报告则可针对批量数据进行团伙风险分析。

图4:实时风险群体分析结果

图5:实时风险群体分析分布图(中介团伙分布图,相关详情已脱敏隐去)

图6:可视化工作台界面

复杂网络作为技术能力输出,在催收号码识别、客户价值挖掘等产品有应用。

(4)复杂网络应用场景

复杂网络支持全场景的实时数据可视化分析,如:银行养卡套现、申请欺诈检测、账户保护、羊毛党识别、恶意刷单作弊等。

2.复杂网络0的创新性

“以终为始”,反欺诈效果是关键,创新性体现在三个层面:

其一,数据面:多源数据融合+NLP,重构金融数据

“数据比技术更重要”是行业共识,有高质量数据,即使简单算法,也能取得好效果。复杂网络4.0融合多来源数据,重构数据清洗、信息抽取和融合方案,使用全新图数据库框架,重构金融图数据库,新图数据库具有分布式、高可扩展性和可维护性,可支持千亿级数据毫秒级实时查询响应。同时,使用NLP技术,将非结构化与结构化数据融合,形成包含100亿节点(实体)、300亿边(关系)的金融图谱。

其二,技术层面:风险传播算法、知表示和机器学行深度挖掘分析,开启AI风控

风控作为金融平台竞争力的核心,最早依赖于规则架构,后来演化为规则加模型架构,现在趋向于 AI。AI风控体现在两方面:风险传播算法、知识表示和机器学习。

1.风险传播算

风险传播算法依据“近朱者赤,近墨者黑“的原理,从已知风险节点角度评估整个网络节点的风险程度。利用网络结构进行风险传播,进而提高风险节点的覆盖度。

2.知表示和机器学

构建数据关系网络是“智能分析”的第一步,利用合适方法将数据价值充分发挥,进而挖掘未知的关联才是目的。使用network embedding方法将高维信息映射到低维空间,解决数据稀疏问题,使知识融合和推理的性能显著提升,结合机器学习,利用无监督算法进行风险群体的识别。实际应用中,通过机器学习对图分割算法不断调优,划分不同的团伙和团伙特征,对判断团伙性质有重要决策作用,如"30%的节点为风险名单"、"40%的节点命中疑似垃圾注册风险类型"。

其三,面:行+本地化并驾齐驱,复全方位技术输出。

数据壁垒导致通用关系网无法适应行业特性,在抽取行业特征基础上、消除噪声、构建行业化关系网络势在必行,如:信贷关系网络、汽车金融关系网络、保险关系网络、羊毛党关系网络等,提高反欺诈效果。

针对银行、汽车金融及保险公司,在风控云方案之外,本地化部署也是着力点之一,可解决强监管,数据无法上“云”的问题。由于本地化数据业务闭环属性更强,数据更全面,在标签数据基础上,可深度优化有监督学习模型,取得更精准的效果。但无论本地化数据量级多大,相对于跨行业大数据而言,都是“小数据“。融合本地化数据与同盾大数据,结合监督算法和无监督算法,进一步反哺原有本地化风控规则,完善本地化方案的不足,进而提高反欺诈效果。

复杂网络作为技术能力全方位向同盾各产品线输出,如评估系统性风险的小微企业的担保关系圈、催收号码识别及基于关系网络的客户价值挖掘等

三、实践:典型案例及应用示例分析

“实践是检验真理的唯一标准”

1.银行信用卡养卡套现

【行业风险点】信用卡非法套现。

【案例分析】案例一,银行可以利用复杂网络,抽取现数据关联性,从关联中分辨出是否使用类似的电话号码、地址以及区域,将关联属性与其他金融数据输入深度学习网络做有监督的训练,在数十万欺诈案例数据上得到一个动态识别模型。

【复杂网络分析】两个人共用一套信息(手机号和身份证),进而逐步关联,形成链条型关系网络。

图7:复杂网络分布图(id=身份证,mob=手机号,card=银行卡)

2.汽车金融中介欺诈

【行业风险点】汽车金融是特殊的金融产品,风控难点:如身份伪造、中介欺诈、团伙欺诈、骗车二抵等,二手车金融作为最有潜力的产品之一,其团伙欺诈风险尤其泛滥。

【案例分析】案例二的汽车金融团伙欺诈,具有典型的地域性和组织性。

【复杂网络分析】

图8:复杂网络分布图

3.直播娱乐羊毛党识别

【行业风险点】消费金融、娱乐直播等行业推出的优惠活动,吸引羊毛党们有组织的参加,逐渐形成了羊毛党“专业化”、“组织化”和“地域化”的发展趋势。

【案例分析】案例三可通过复杂网络识别注册、登录手机号或设备群体风险,找出团伙的核心成员,分析地址聚集性和组织形式等。

【复杂网络分析】箭头所指手机号未知风险,单纯通过专家规则无法识别其风险。但通过复杂网络分析可知,该手机号所关联的设备与大量虚假号码关联(羊毛党典型特征),因而可判定箭头所指手机号为虚假号码,为羊毛党所掌控。

图9:复杂网络分布图

“行百里者半九十”,同盾科技复杂网络4.0是又一个新起点。未来,将不断推陈出新、加快产品技术迭代,如:关系类型深度挖掘推理、资金链关系图等。在应用领域,与银行、汽车金融和保险领域深度融合,如保险领域的理赔反欺诈场景,如车险,医疗险等场景的团伙欺诈分析,进一步提高团伙欺诈风险识别的精准度和效率。


用微信扫描可以分享至好友和朋友圈

扫描二维码或搜索微信号“iweiyangx”
关注未央网官方微信公众号,获取互联网金融领域前沿资讯。

发表评论

发表评论

您的评论提交后会进行审核,审核通过的留言会展示在下方留言区域,请耐心等待。

评论

您的个人信息不会被公开,请放心填写! 标记为的是必填项

取消

同盾反欺诈研究院 | 同盾科技有限公司未央青年

8
总文章数

同盾科技有限公司成立于2013年,总部位于浙江杭州,是国内专业...

联合国成立数字合作特别工作组,专注区块链和AI

Marie Huil... | 鸵鸟创投媒... 7小时前

伪共享泡沫破灭,新租赁经济“接棒”起跑

李晖 | 中国经营网 07-09

拥抱AI,迈向客群精准和主体对称的数字普惠金融时代

陈文 07-09

第二届中国商业银行风控战略大会

小未 07-05

为金融科技公司提供AI解决方案,Flinks完成175万美元种子轮融资

Jessica Ga... 07-05

版权所有 © 清华大学五道口金融学院互联网金融实验室 | 京ICP备17044750号-1