銀行渠道業務背景下交易反欺詐解決方案

朱雪芬

關鍵詞：大數據；欺詐風險； 解決方案

隨著現代科技和信息技術的不斷發展，我國支付活動中早已擺脫了傳統的支付模式，移動支付等非現金式的支付方式，逐漸成了社會的主流[1]。隨著業務的發展，欺詐頻發，同時欺詐手法愈來愈隱秘，人工經驗已達到極限，由簡單的規則來進行欺詐防控已經不能滿足行業的需求，急切需要從行級出發接入全渠道業務。如ATM、POS、電子渠道等，進行綜合防控，一來可滿足監管機構對于全渠道交易事中監控的監管要求，二來可以提升銀行對交易的風險識別和防控能力，大幅度減少欺詐帶來的嚴重影響。

一、銀行渠道業務背景下的欺詐風險

（一）電子渠道風險

1. 傳統電子渠道業務

包括來自不同電子渠道的交易，如網銀、手機銀行等。電子渠道的主要風險來自非面對面交易，無法確認交易者是否為持卡人本人。電子渠道業務面臨的風險主要是賬戶被非法盜用。盜用電子銀行賬戶的途徑很多，如釣魚網站、木馬、病毒、騙取驗證碼等多種方式。欺詐者通過這種方式接管了持卡人的電子賬戶后，通過在線消費、轉賬等途徑進行套現，給持卡人帶來資金損失，給銀行帶來資金和聲譽損失[2]。

2. 直銷銀行業務

直銷銀行是銀行的新興業務，旨在把傳統銀行的線下業務包括存款、貸款、結算、理財、投資等業務，轉移到線上進行，一方面降低銀行的運營風險，另一方面為客戶提供更便利的服務。但是，由于線上業務的非面對面特點，直銷銀行同樣面臨較大的欺詐風險，主要的欺詐類型包括虛假注冊、盜卡、營銷欺詐等。這類風險一方面會給客戶帶來資金損失，另一方面也會嚴重影響直銷銀行的業務開展及產品競爭力。

（三）POS 收單風險

銀行卡收單業務風險，主要可分為商戶欺詐和持卡銀行渠道業務背景下交易反欺詐解決方案人欺詐兩大類風險，商戶欺詐主要是偽卡盜刷、信用卡套現、偽卡盜刷、移機、偽冒交易合謀、商戶信用風險、惡意退單等。①套現。使用信用卡進行非真實性交易，套取卡內額度，對發卡行產生逾期風險。②偽卡盜刷。通過側錄等方式盜取卡片磁條信息，并復制成一張或張偽卡，使用偽卡在多個商戶處進行刷卡交易，一般多購買易變現的商品，并呈現出大額特征。③移機。商戶將pos 機拿到非注冊場所進行刷卡使用，往往伴隨違禁場所風險、套現、偽卡盜刷等風險。④偽冒交易合謀。商戶與不法分子合謀，在商戶集中使用偽卡或失竊、被盜卡，或購買易變現商品，或享受相關服務。⑤商戶信用風險。商戶因經營不善破產或在收到大筆清算款項后立即關門，銷聲匿跡，使收單機構承擔此后的退單損失。⑥惡意退單。持卡人在刷卡后不留存任何憑據，并一段時間內惡意發起退單，拒付交易，造成收單機構損失。

（四）掃碼支付風險

掃碼支付是近幾年新興的支付方式，掃碼支付由二維碼與支付兩部分組成，二維碼用于承載交易信息，客戶app 端或商戶收銀端掃碼后獲得交易信息并校驗通過后，由客戶在app 端完成付款，付款方式一般是賬戶余額、預先綁定的銀行卡等。掃碼支付可以同時在線上和線下的場景中使用，對于線上掃碼，風險較大的場景是電商網站、機票購買、信用卡還款、話費充值等，風險類型主要在于盜卡（卡片信息泄露被欺詐者進行掃碼盜刷）和盜賬戶（賬戶信息泄露被欺詐者登錄后掃碼盜刷）；對于線下掃碼的場景，其風險除了與線上相同的盜卡、盜賬戶風險外，還存在套現風險，一般是個人用戶申請獲得碼牌，并使用本人信用卡、花唄等透支工具完成掃碼支付[3]。

（五） ATM 渠道風險

ATM 渠道主要防控欺詐者通過ATM 通道洗錢。主要兩種形式，一種是欺詐者通過網絡渠道把盜卡資金轉移到銀行卡中，欺詐者通過雇傭大量馬仔銀行卡以ATM的方式把資金分別提現出來。另一種常見洗錢模式是，把假幣通過一個ATM 進行存款，通過另外一個ATM 機把資金取現，進而把假幣轉出真幣。

二、銀行渠道業務背景下欺詐風險的解決方案

（一）業務層

在當前銀行欺詐案件頻發的環境下，通過與行內業務人員不斷溝通與交流，了解當前銀行運營管理風險案件的主要發生場景以及此類風險案件對銀行造成的深重影響。結合已有銀行運營管理風險案件，深入分析案件的作案手法以及作案特征，從規則的角度出發，構建完整的規則- 指標體系，致力于解決銀行運營管理風險案件問題。完整的指標體系業務流程包括數據分析、模型訓練、智能決策三個部分，其中數據分析主要進行數據質量分析，指標分析等工作；模型訓練主要進行專家規則模型、機器學習模型的訓練、調優、評價等工作；智能決策主要進行風險識別與決策的工作，利用專家規、機器學習模型對風險數據進行識別，并自動將風險數據輸出至核查平臺[4]。

（二）分析層

1. 大數據采集

數據采集，又稱數據獲取，是利用一種裝置，從系統外部采集數據并輸入到系統內部的一個接口。在互聯網行業快速發展的今天，數據采集已經被廣泛應用于互聯網及分布式領域。數據采集系統整合了信號、傳感器、激勵器、信號調理、數據采集設備和應用軟件。在數據大爆炸的互聯網時代，數據的類型也是復雜多樣的，包括結構化數據、半結構化數據、非結構化數據。結構化最常見，就是具有模式的數據。非結構化數據是數據結構不規則或不完整，沒有預定義的數據模型，包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報表、圖像和音頻/ 視頻信息等等。大數據采集，是大數據分析的入口，所以是相當重要的一個環節[5]。

2. 大數據存儲和調度

在大數據時代，銀行業務系統繁多，場景廣泛，數據量巨大。銀行業數據迅速膨脹并呈現出幾何級數的增長態勢，且由于行業特性，銀行業在長期業務開展過程中積累了海量數據[6]。指標的加工、模型的建立都離不開數據的驅動，而面對如此龐大的數據，指建立大數據平臺來支持各類型海量業務數據的存儲、加工、 使用和數據價值的提煉。目前大部分銀行都在大數據平臺建設階段，因此需要支持和銀行大數據平臺的無縫對接。通過大數據平臺能夠存儲和調度大數據，大幅度提升可利用的數據范圍，使得風險案件防控的覆蓋面進一步提升。對于不規范或者不合理的數據，需要對其進行規范化處理，如缺失值填補、異常值替換、數據量綱消除等。數據預處理的目的在于將待分析的數據盡可能規范，提升數據質量，從而便于后續數據分析、指標化加工以及模型訓練等工作的正常開展，同時也保障分析工作得到的結果盡可能最優化。

3. 指標預加工

業務需求分析在進行指標加工之前，不僅需要考慮指標是否可實現，還需要考慮指標所依賴的業務場景，加工出的指標能否完整地描述出當前的業務需求。因此在進行指標加工過程之前，需要明確業務需求，盡可能保證加工出來的指標能夠被當前業務場景使用。這樣一方面能夠保證指標加工過程的準確性，另一方面還能夠不斷反思業務需求的合理性，從而保證生成的指標能夠準確描述當前業務場景。業務指標分析在明確分析當前風險案件的業務場景以及業務需求之后，還需要分析風險案件的作案手法以及作案特征，并針對風險案件的作案特征制定具有明確業務含義的業務指標。一方面，業務指標必須邏輯清晰，能夠通過科技手段完整實現，另一方面，業務指標必須能夠反映并識別已有風險案件的作案特征，還原特征業務場景下的作案手法。業務指標分析依賴深入的業務分析與技術分析，業務指標的有效性是規則產生效果最基礎的保障。

4. 數據分析

數據分析是貫穿整個工作流程的工作，數據分析是讓我們認識指標生成、模 型調優必不可少的環節。一方面，在指標加工、模型構建過程中，要求科技人員 對數據表結構有全面的認識，熟悉表中每個字段的含義以及數據分布；另一方面，還要求科技人員對表與表之間的關聯性有較為清楚的認識，保證表與表之間的關 聯能夠得到預期的結果。只有通過數據分析才能夠對指標化工作有一個整體的認知，才能評估指標加工的合理性以及最終指標結果的可靠性。同時，數據分析的工作也能從數據的角度來說明業務需求是否合理、指標加工是否可優化，總而言之，數據分析是指標化工作的保障。無論專家規則、機器學習模型還是圖規則，都離不開數據的支撐，在使用數據之前，必須對數據有一個清晰且全面的認識。而分析層主要供分析人員了解數據、分析數據使用，一方面，了解數據的質量及分布，從技術的角度確認數據是 否可用以及數據本身是否存在價值；另一方面，通過數據分析的工作，有助于分析人員深入了解當前的業務場景，以及當前業務下風險案件的作案手法，從而能夠讓分析人員對業務需求有一個更加完善的認識。數據質量分析的目的是了解數據的可用性，其主要通過描述性統計分析了解數據分布、發現是否存在不合理的數據。然后結合數據的業務意義判斷其是否合理，對于高可用的數據，我們應充分挖掘其潛在信息，對于信息殘缺或者沒有價值的數據，應盡可能舍棄，避免噪聲數據對結果造成影響。數據特征分析在對數據質量、數據分布有大體了解之后，還需要充分分析當前案件的業務場景以及業務需求，只有明確了業務場景的特點，我們才能夠結合數據進行特征 分析，進而提取出具有代表性的指標。在指標加工時，提取出來的指標需要保證具有明確的業務含義，而且指標組合之后能夠完整描述當前業務場景。因此，數據特征分析的工作不僅要求科技人員對業務有深入的了解，還要求科技人員對 數據結構、數據表之間的關聯性有清晰的認識。

5. 指標加工層

指標是規則的最細粒度操作單元，指標包含明確的業務含義，其加工邏輯與案例規則和數據表結構有較強聯系。一個案例中，指標的實現至少包括：指標設計、指標運算、指標存儲、指標調用等步驟。

（1）指標存儲

在指標計算過程中，SQL 指標由大數據平臺加工，技術指標由時序處理技術加工，由于時序處理技術依賴內存的特有加工方式與傳統的大數據平臺不同，因此時序處理技術生成的指標與大數據平臺加工的指標存儲的方式也略有不同。大數據平臺加工的指標以文件的形式存在，加工完成的指標不可更改，而基于時序處理技術加工的技術指標存放于系統的內存之中，隨著時序的不斷變化，指標的值也處于不斷變化當中，當需要進行指標調用時，時序處理技術自動將最新加工的指標輸出。

（2）指標調用

在指標加工完成后，對大數據平臺加工的指標與時序處理技術加工的指標進行調用，設計特定的調用任務，對于大數據平臺加工的指標進行批量調用，對時序處理技術加工的指標進行實時調用，并將調用的指標整合推送至智能決策平臺，供智能決策平臺判斷、識別風險。

（三）決策層

決策層主要是對業務數據進行風險識別與決策的工作，通過專家規則和機器學習模型對風險數據進行識別，并自動將風險數據輸出至核查平臺進行核查，對應有風險的數據可生成案件進行研究。

1. 智能決策引擎- 雙核引擎

通過 SQL 指標及技術指標對復雜案件規則指標化后，銀行業務人員可在規則管理平臺上對訓練好的指標或者模型進行可視化配置，自由生成復雜的規則或組合規則，并支持規則訓練、版本管理和一鍵上線功能。同時訓練好的模型以及設置好的圖規則可以同時上線，且雙核引擎會分別訂閱規則和模型，兩者同步運行，互相補充，引擎可實時判斷業務數據和規則和模型的匹配度。當觸發對應的規則時，引擎會對規則進行匯總，并根據當初設置的規則處置策略和風險等級，選擇優先級高的規則執行相應的處置動作，再將觸發規則的數據生成核查單傳送到核查平臺。其中規則的風險等級決定了命中該規則的交易的風險等級，也會影響核查人員的處理優先級。規則的驗證策略包含預警、阻斷、放行、二次認證（人臉識別、位置認證、外呼確認、短信驗證、界面問題驗證）等，交易觸發規則時系統能夠 自動發起規則設置的驗證策略。規則的管控策略定義了觸發該規則對應賬戶的管控措施，如止付、凍結賬戶等。規則的名單策略定義了某些規則觸發時，對該客戶的名單行為操作，如將客戶加入黑名單等。規則的通知策略定義該規則觸發時，同時需要發起的通知策略，如短信通知客戶等。核查平臺引擎訂閱規則后，當有業務數據進來后，觸發了規則和模型的預警單將體現在核查平臺上。業務人員可運用關聯查詢功能從大數據平臺海量交易數據中查詢相關信息、線索，運用外部數據輔助對涉案信息進行分析。核查平臺的主要功能模塊包括關聯查詢、核查單管理、案件管理、黑名單管理和系統設置。

2. 案件管理平臺

對于已確認為有風險的業務數據，銀行業務人員可根據核查單生成案件，后續再根據新增的案件進行分析，總結、優化規則和指標。

三、結束語

金融欺詐是近年來頻繁發生在我國銀行領域中的一種犯罪活動，給銀行帶來重大損失，欺詐風險已成為國內商業銀行面臨的主要操作風險。加強對商業銀行欺詐風險的監控和防范，有效遏制欺詐案件的產生和蔓延，已經刻不容緩。