基于大數據分析的銀行卡反欺詐機制研究

摘? 要：為改善傳統反欺詐機制在運行中存在的問題，引入大數據分析技術，研究銀行卡反欺詐機制建設方法。綜合我國銀行卡發行現狀，建立銀行卡反欺詐機制理論框架;使用大數據分析技術，對銀行業欺詐風險進行預測與定位，根據交易過程的特征值確定銀行卡欺詐行為發生的范圍，從而得到欺詐風險數據集合，以此激活銀行卡反欺詐機制隱藏層功能，實現對金融市場欺詐行為的有效遏制。設計對比實驗，驗證提出的反欺詐機制具有良好的適用性。

關鍵詞：大數據分析;銀行卡;反欺詐機制

Abstract：In order to improve the problems existing in the operation of the traditional anti-fraud mechanism，the big data analysis technology is introduced to study the construction method of the anti-fraud mechanism of the bank card. Synthesizing the present situation of bank card issuance in China，establishing the theoretical framework of bank card anti-fraud mechanism，using big data analysis technology to predict and locate the risk of banking fraud，and determining the scope of bank card fraud according to the characteristic value of transaction process. In this way，a collection of fraud risk data is obtained，which activates the hidden layer function of the bank card anti-fraud mechanism and realizes effective containment of fraud in the financial market. Design contrast experiments to verify that the proposed anti-fraud mechanism has good applicability.

Keywords：big data analysis;bank card;anti-fraud mechanism

0? 引? 言

銀行卡是互聯網時代背景下衍生的金融服務工具，既是我國銀行服務進步的表現，也是市場經濟發展的代表性成果，公民使用銀行卡不僅可實現交易過程的無現金支付，同時也減少了支票在市場的流通，在真正意義上做到了對銀行傳統服務業務的突破。盡管銀行卡的誕生為金融產業的發展提供了新的方向，但與此同時它為行業帶來的風險也是不容忽視的[1]。通過對金融市場調研發現銀行卡欺詐具有手段多樣性、行為隱蔽性、涉及范圍廣等特點。例如，江蘇蘇寧銀行所提供的銀行卡，該銀行卡具備的信用透支或貸款功能使公民辦理業務面臨信用風險，同時也有一些詐騙人員利用公民的僥幸心理，為其提供非正規渠道的貸款或金融服務。因此，銀行卡業務的建設，不僅要面臨傳統金融產業發展的風險，也需要妥善地對欺詐風險進行規避。根據金融市場統計的相關數據顯示，截至2016年，電信網絡詐騙造成經濟損失222億元，并以20%～30%的年增長速度迅速滋生蔓延[2]。因此，本文將引入大數據分析技術，融合當下金融產業的發展現狀，開展銀行卡反欺詐機制建立措施的相關研究，保障公民享有金融服務的同時，提高公民銀行卡資金安全，提高金融市場的可持續安全建設能力。

近年來，伴隨移動互聯網技術的崛起，為客戶帶來便捷的移動支付、線上理財等金融服務，但也面臨著如虛假渠道流量、虛假客戶裂變、虛假信貸風險等一系列欺詐類風險，讓金融機構反欺詐成本日益增長。作為一家科技型數字化銀行，蘇寧銀行依托金融科技和場景金融優勢，根據目前金融業的發展，構建反欺詐風控平臺，開展銀行卡反欺詐機制相關研究，以保障公民享受金融服務，提高銀行卡資金安全性。增強金融市場的可持續安全性。

1? 銀行卡欺詐風險的特點

1.1? 欺詐手段具有多樣性特點

隨著金融產業建設工作的不斷推進，銀行卡欺詐的形式與手段也不斷翻新，但這些欺詐行為的出現均是由于銀行風險管理部門對欺詐行為防范意識不強所導致的。

同時，也存在一些銀行內部影響因素導致其發展出現風險，例如，防欺詐政策建設不完善、執法環境不嚴謹等[3]。這些原因均為誘發銀行卡欺詐行為的重要因素。并且隨著科學技術的不斷進步，高科技欺詐手段也屢屢翻新，因此，當下金融市場面臨的銀行卡欺詐風險遠比往年嚴峻。

1.2? 欺詐行為隱蔽性強

目前，我國對于銀行卡欺詐事件突發性行為的管理與監控能力仍較差，而利用銀行卡進行詐騙，通常為大金額隱匿行為。主要由于我國當下發行的銀行卡產品在程序設計與后期管理維護中存在漏洞，這些漏洞被犯罪分子發現，并以此為切入點，實施犯罪行為[4]。一旦銀行卡的金融行蹤被泄漏，極易造成全地區，甚至全市的金融發展陷入癱瘓。

同時在研究中發現，我國目前大部分大型銀行卡欺詐案件均為犯罪分子經過長期精心準備與設計實施的，欺詐的過程不僅可在互聯網空間實施，也可在隱蔽性較強的范圍內完成。因此部分金融惡意轉賬行為與常規金融轉賬行為無顯著差異，也不會影響區域金融系統的正常運行。從市場宏觀經濟角度分析，這種事件對銀行發展帶來損失是巨大的。

1.3? 欺詐風險涉及范圍廣

由于銀行卡的使用依賴于互聯網，尤其是ATM、POS機等設備在金融市場的廣泛應用，徹底打破了傳統現金交易的局限性，但與此同時銀行卡欺詐行為的“入口”也隨之拓寬。正因如此，不法分子在實施銀行卡欺詐行為過程中，可直接使用互聯網操作的方式，將金融轉賬在瞬間完成[5]。當持卡人或有關單位接收到告警信號時，往往轉賬行為已發生較長時間，這種現象不僅會給市場經濟建設帶來巨大損失，同時造成的現金流失帶來的問題也是極其嚴重的。

2? 銀行卡反欺詐機制理論框架

為了解決銀行卡欺詐問題，降低金融產業在經濟市場的發展風險，本文將綜合我國銀行卡發行與建設現狀，提出銀行卡反欺詐機制理論框架，如圖1所示。

按照圖1中提出的反欺詐機制建設理念與建設目標，構建完善的反欺詐法律制度，并在法律允許的范圍內，對于銀行卡產品的治理進行全面的安排，實現非營利組織與市場民營企業之間的廣泛合作，做到低成本高效率的反欺詐工作執行。

3? 基于大數據分析技術的銀行卡反欺詐機制建設方法

3.1? 基于大數據技術預測并定位銀行業欺詐風險

本文根據金融產業在經濟市場的發展特點，以產業的變化趨勢為核心，在保證其可持續發展的背景下，引入大數據分析技術，從銀行業欺詐發生風險類型和風險特征兩個層面上，預測并定位銀行業欺詐風險。

根據銀行的交易數據，采用將特征數據量化處理的方式，對銀行業欺詐風險進行預測[6]。將銀行庫中存儲的多項變量作為預測風險的初始化觀測值，并將這些變量數值進行聚合處理，得到聚類風險統計區間。變量包括銀行卡轉賬交易數據、銀行卡卡號、持卡人信息等，假設當前獲取的銀行卡數據集合中共有m個異常數據值，結合大數據技術，采用SPSS 2.0進行預測計算[7]，此過程需要對數據集合中所有涉及的m個異常數據值進行分析，并將數據值與庫內資源特征進行對應。同時，對每項風險特征值進行量化處理，將其進行輸入至微量模型中，使用K-means算法對數據與特征進行聚合，具體流程圖如圖2所示。

假定風險變量為具備所有顯著特征，可采用對具體某個欺詐風險進行預測的方式，對所有銀行卡欺詐案例的進程列表進行合并，從而使數據以譜系圖的形式進行輸出。將各個預測風險按照不同的特征值進行分類，對銀行業欺詐風險進行預測與定位的過程可利用以下公式表達：

其中，δ（l）為金融市場多維度詐騙風險，l的取值范圍為l=1，2，…，n;p（a）為風險指標的聚合處理過程;p（l）為潛在欺詐風險發生行為;p（m+χn）為相關欺詐行為的數據特征。對輸出的結果進行解讀，合并相關性大的欺詐風險數據屬性，根據特征值確定銀行卡欺詐行為可能發生的范圍，從而得到原始數據集合中的欺詐風險數據集合。

3.2? 激活銀行卡反欺詐機制隱藏層功能

在掌握金融市場銀行卡欺詐風險的基礎上，應結合反欺詐模型，持續對市場現有黑、白名單內容進行檢索。并在此基礎上，深入挖掘信用度較高的用戶，將其從市場黑名單拉入白名單，適當放行此部分人員的銀行卡交易行為，從而避免過多的數據對反欺詐機制的運行造成過大壓力。

例如，當金融市場完成一筆交易行為后，可綜合市場金融產業的建設現狀，對欺詐行為進行分級。若評定得分低于平均閾值，則可被市場視為正常交易行為，若評定得分高于平均閾值，則可被市場視為非正常交易行為，存在銀行卡欺詐行為[8]。此時，將自動啟動機制內隱藏的預警行為，封鎖此部分交易的資金，凍結銀行卡賬戶資金，持續追蹤此用戶ID的交易行為，從而做到對欺詐行為的抵制。

此外，對于銀行卡反欺詐機制認定的有風險交易行為，金融系統將自動凍結持卡人或交易設備的繼續操作行為，并持續對交易業務進行人工復核檢查。例如，根據銀行卡發行時用戶留下的聯系方式，自動撥打用戶電話，確定交易是否為本人持卡完成。通過審核后此行為操作將被列入正常交易序列，操作行為可持續完成，假定審核不通過，則此行為將被欺詐機制收錄，并認定此行為屬于欺詐交易，操作平臺將自動終結此次交易行為。通過預測和定位銀行欺詐風險，挖掘銀行卡反欺詐機制的隱藏功能，有效遏制金融市場欺詐。

4? 對比實驗

本文嘗試采用設計對比實驗的方式，對所提出的基于大數據分析的銀行卡反欺詐機制建設方法進行檢驗。實驗樣本采集：實驗選擇金融市場內某銀行作為實驗場所，該銀行交易業務量較大，實際工作中銀行卡欺詐交易所占的比例較低，但是為了提高實驗對比效果，在實驗樣本數據采集時擴大了銀行卡欺詐交易的占比，最終采集的樣本數據中，銀行卡正常交易為2 500條，銀行卡欺詐交易為500條，實驗樣本共3 000條數據。實驗中將所有樣本數據打亂，分六次分析，每次分析樣本數量為500條，預測樣本數據存在的銀行卡欺詐風險，預測時間設置為30 min，利用式（1）計算出每條實驗樣本欺詐風險值，根據預測結果執行相應的反欺詐策略，將其與實際值對比，確定每次實驗兩種銀行卡反欺詐機制的準確率，準確率值等于正確預測的銀行卡交易數量除以總交易數量，將其作為實驗結果，對兩種銀行卡反欺詐機制對比分析，實驗結果如表1所示。

從表1可以得出，本文設計的銀行卡反欺詐機制準確率基本可以控制在95.00%以上，最高可達99.75%，而傳統機制準確率最高僅為76.48%，遠遠低于設計機制，證明基于大數據分析的銀行卡反欺詐機制具有良好的適用性。

5? 結? 論

為了改善當下金融市場發展現狀，通過分析銀行卡欺詐行為的特點，開展了基于大數據分析的銀行卡反欺詐機制建設研究，并采用設計對比實驗的方式，對本文設計的反欺詐機制建設方法進行檢驗，從而證明本文設計的方法在實際應用中具備更大的應用空間。總體來說，在互聯網日漸發達的當下，無論是大數據技術或者是云端數據分析技術，均可對市場金融風險進行有效的判斷。因此在后期的相關發展中，有關單位可聯合省級保障機構，采用搭建詐騙數據共享平臺的方式，將更多的詐騙案例融合在一起分析，統計當下市場數據，制定更為完善的反欺詐合作方案，從而推進我國金融產業的健康發展。

參考文獻：

[1] 曹漢平，張曉晶，祝睿杰，等.數字金融時代 機器學習模型在實時反欺詐中的應用與實踐 [J].智能科學與技術學報，2019，1（4）：342-351.

[2] 李金浩.筑欺詐風險防火墻，護客戶資金安全——工商銀行企業級反欺詐管理平臺建設成果 [J].中國金融電腦，2020（1）：30-32.

[3] 金鈺，朱鋆，賈黃林.以機器學習平臺為基石 打造反欺詐業務360°防護罩——興業銀行風控決策一體化平臺解決方案 [J].中國金融電腦，2019（12）：44-48.

[4] 賀娟，肖小勇，譚偲鳳，等.大數據背景下的農險反欺詐檢測：國際經驗與技術選擇 [J].保險研究，2019（7）：53-66.

[5] 陽義南，肖建華.醫療保險基金欺詐騙保及反欺詐研究 [J].北京航空航天大學學報（社會科學版），2019，32（2）：41-51.

[6] 尹莊.醫保基金有效監管的機制創新——以鎮江市醫保反欺詐“亮劍”行動為例 [J].衛生經濟研究，2019，36（4）：25-27.

[7] 陸斯星.情報引領反欺詐 雙劍合璧建奇功——交通銀行信用卡中心協助警方破獲特大境外機竊取銀行卡信息案 [J].中國信用卡，2019（2）：38-39.

[8] 常遠，席雅芬，王虹，等.關于數字身份（SIMCTID）應用在金融反欺詐領域的可行性分析 [J].中國新通信，2018，20（23）：120.

作者簡介：施志暉（1980—），男，漢族，江蘇建湖人，高級工程師，碩士，研究方向：金融科技、互聯網金融。