低廉的造假成本和層出不窮的欺詐手段，給一個信貸機構帶來的不僅僅是風險損失，更給信貸機構帶來極大的挑戰。在整個信貸流程中，如何在貸前申請中準備快速地識別欺詐風險，將欺詐群體拒之門外是業務的重中之重。
信貸欺詐的類別
欺詐從本質上來看是操作風險的一種。在信貸行業，據悉70%以上的風險來自欺詐風險，而欺詐形式多種多樣，如身份造假、中介黑產、內外勾結等等。從欺詐主體來看，可以分為第一方欺詐、第二方欺詐、第三方欺詐。
第一方欺詐，主要是申請貸款本人惡意騙貸、還款意願極低、拒絕還款等；第二方欺詐是指內部欺詐或內外勾結；而第三方欺詐主要是盜用冒用他人身份、他人賬號以及團伙欺詐等。這其中，團伙欺詐已形成一個黑色產業鏈，黑中介通過購買個人信息、和客戶聯合等手段進行欺詐。所以，信貸反欺詐就是和欺詐人員鬥智鬥勇的過程：欺詐分子一直在尋找業務的漏洞，而反欺詐人員則需要在不斷變化的漏洞中打上一個個“補丁”。
那麼，該如何在貸前階段做好申請反欺詐呢？其實要解決的問題無非就是判斷申請借款的是人還是機器？是本人還是他人？是價值用戶還是無效用戶？目前貸前反欺詐常用的手段有名單庫、專家策略、機器學習等。
名單庫篩選
名單庫篩選就是我們常說的黑白名單。名單庫一般通過平臺內部進行積累，或與其他合作機構合作進行獲取。黑名單在很大程度上避免了重複欺詐行為的發生，也是一種邏輯簡單、成本較低的反欺詐手段。
當然，黑名單覆蓋群體較小、需要時間積累，也存在準確率較低、名單庫易汙染等缺點，但是可以作為反欺詐的第一道過濾。同理，白名單一般指平臺內部的優質客戶列表，建立白名單庫可以有效且降低公司的成本和信用風險，提高放款效率。
專家策略
貸前反欺詐一般都是先有專家策略進行冷啟動，等數據積累到一定程度的時再慢慢地對數據進行挖掘，並對策略進行調優或者構建模型。
很多人都覺得專家策略不過是“拍腦袋”，其實反欺詐策略往往基於策略人員以往的經驗和踩過的“坑”，並以研究欺詐者的行為和心理為基礎而制定。而且，目前的信貸反欺詐手段中，專家策略比較常用且較為成熟。當借款人的操作請求和操作行為觸發反欺詐規則、並達到一定的程度時，即被認定為欺詐行為。合作方可以啟動攔截，或進行人工審核，如客戶的行為異常監測策略、設備類異常策略、聚集度策略等。
現在欺詐手段日新月異，欺詐人員和策略人員處於攻與防的角色，如果無法在第一時間做出反應，需要事後進行大量的數據分析和挖掘後才能提取新的特徵和規則。而專家策略往往存在一定程度上的誤殺率，而誤殺率的高低取決於策略人員的經驗水平，不同的策略人員制定的專家策略也會存在較大的區別，呈現不同的效果。此外，策略需要不定期進行更新，並要嚴格保密，一旦洩露將對平臺造成不可挽回的損失。因此，專家策略實現簡單，可解釋性強，但會存在滯後性。
頂象技術在貸前反欺詐策略方面有較為豐富的策略模板，通過對客戶個人信息、設備指紋、操作行為、位置等各個維度進行欺詐識別，幫助合作方識別出風險較高的客戶，力爭將合作方的欺詐風險降至最低。
機器學習
近年來，機器學習在反欺詐方面的應用越來越廣。常見的機器學習反欺詐分為有監督和無監督兩種，它們通過機器學習方法，收集客戶各個維度的數據，結合當前用戶特徵，與欺詐建立起關聯關係，實時識別用戶欺詐行為。
有監督機器學習反欺詐是目前機器學習反欺詐中較為成熟的一種方法，它通過大量客戶的歷史表現數據，進行標籤化，並利用相關算法，提取特徵，發現欺詐行為的共同點，進行識別。而無監督機器學習反欺詐則相對較新，只是通過對用戶的各緯度數據特徵的聚類，找出與大多數用戶和行為差異較大的用戶和操作請求，並予以攔截。採用無監督機器學習，可以有效地識別團伙欺詐行為，讓欺詐團伙無處遁行。
俗話說：“不管黑貓白貓，能抓到老鼠的就是好貓”，無論是專家策略、還是機器學習，無論是有監督還是無監督，都有其優劣性，沒有所謂的好壞之分，只有合適與否。總之，反欺詐的方法雖然很多，但信貸反欺詐必須建立在深入理解平臺業務的基礎之上。
閱讀更多 頂象技術 的文章
