在詐騙分子眼裏，網貸行業就是壹塊大蛋糕。如今，無論是線下的貸款機構包裝，還是線上的黑產等類似的黑產從業者，都盯上了網貸。能否做好反欺詐，是網貸行業的壹條生死線。
首先簡單普及壹下行業知識。詐騙模式可分為壹方詐騙和三方詐騙:壹方詐騙通常是指申請人對自己的信息進行包裝，無意還貸，導致違約，而三方詐騙是指詐騙者冒用他人身份或協助他人偽造申請信息。三方詐騙通常以團夥犯罪的形式出現，給網貸機構造成嚴重損失。而且團夥詐騙往往會有意識地分析網貸機構的反詐騙策略，不斷升級詐騙手段，就像病毒變種壹樣。如果沒有有效的手段，他們很容易突破反欺詐體系。
對於詐騙團夥來說，利用大數據進行防範是有效的。下面重點介紹數據科學在識別三方欺詐中的應用:“關系網絡發現”用於識別集團成員。
制定反欺詐策略有壹個基本假設，就是“騙子的朋友是騙子”的概率更大，要識別不良貸款中介。因為中介騙子會通過提供虛假、偽造、打包的申請資料來幫助很多不願意還貸的人，也會教會申請人如何應對。通過中介(或團夥本身)申請集中貸款的風險很大，是壹種常見的詐騙類型。研究發現，社會網絡分析等交叉檢驗方法可以有效識別上述欺詐模式。
我們定義用戶之間如果使用壹些核心信息，如手機設備、電話號碼、身份證、銀行卡號、郵箱地址等，就存在密切關系。將這些信息作為點，將信息之間的關系作為邊，可以構建類似於以下的圖形網絡:
如上圖，有兩個用戶通過手機申請貸款，壹個貸款成功，壹個貸款失敗。通過用戶應用中提供的信息，將核心信息構建成網絡圖，可以看出兩個用戶關聯了三個手機號和三個手機設備，兩個用戶通過壹個共同的手機設備聯系在壹起。上圖中真實的業務場景是，後綴為979的用戶申請時，發現與之強相關的用戶貸款成功，通過圖中的關系，發現後綴為979的用戶申請了之前的貸款。如果後綴為979的貸款申請被批準，兩人的整體債務將會增加，因此貸款申請將在終審中被駁回。
以上是壹個簡單的例子。在現實商業中，欺詐和反欺詐是壹個博弈過程。簡單的反欺詐策略容易被真正的欺詐者發現和規避，簡單策略的效果會不斷下降。事實上，欺詐很難被徹底解決。反欺詐的壹個重要思想就是在保證策略準確性的同時，不斷提高欺詐者的欺詐成本，使反欺詐策略更加智能和復雜。
在這種思維方式下，反欺詐也是通過社交網絡進行的。我們需要更全面地描述每個用戶之間的關系。用戶之間的關系定義不僅僅是上述的強關系，還有很多弱關系，比如用戶之間的電話，同壹單位的用戶，同壹地區的用戶家庭住址，曾經是QQ好友的用戶等。這些更多的關系和關系的疊加，很容易導致用戶之間出現以下非常復雜的關聯網絡。
同時可以賦予每個點不同的屬性，用於後續的特征工程提取。比如圖中用戶身份證類型的頂點，可以設置多個屬性，比如黑名單、用戶資產、住房等。在後續的特征工程中，可以根據頂點屬性導出具體的特征，比如曾經關聯的身份證被列入黑名單的頂點的個數。構建用戶關系網絡圖的最終目的是提高詐騙團夥識別的準確率，實現反詐騙決策自動化，即提高詐騙識別的有效性和效率。我們希望通過社交網絡挖掘出用戶更多的特征，用於訓練反欺詐模型和策略，所以對於這個復雜的用戶關系網絡圖，接下來需要做兩件事。首先，我們需要提取用戶特征。第二，點屬性標簽的完成。
用戶特征提取
每個用戶都可以通過手機、身份證等關鍵信息點獲得單個用戶網絡的連通圖(實際上10億節點的圖的查詢效率很低，響應時間的問題需要通過實時決策場景下的算法優化來解決，比如圖存儲的鎖問題、異常點的超時查詢等)。對於每個點，計算其在圖中的公共屬性特征，如度、鄰近中心性、頁面等級中心性和中間中心性。這個過程可以看作是通過圖形數據對給定用戶的特征工程。大部分策略和模型的效果往往是由特征工程的好壞決定的，甚至特征工程方法也成為了公司不能透露的核心內容，於是數據算法工程師的艱苦生活開始了...舉幾個例子，除了簡單的與點中心性相關的直接特征，我們還可以直接想到很多特征，比如與用戶N度關聯點關聯的手機號數量，與用戶關聯的設備號占所有關聯點的比例，與用戶關聯的黑名單ID號數量。上述特征計算的例子大多可以標準化，通過開發單獨的特征工程模型，可以實現數萬個特征的衍生計算。這樣可以大大提高模型開發的效率。
點屬性標簽的補充
在策略分析和特征計算中，我們需要很多標簽屬性，比如某個身份證是否被列入黑名單，身份證是否有房，身份證信用卡額度是否超過3萬等等。然而，事實上，對於大多數用戶來說，標簽屬性往往是缺失的。比如應用中途用戶流失，用戶最後放棄，我們無法精準的收集這些標簽。我們做什麽呢我們使用圖相關的社區發現算法來完成標簽，如最常用的標簽傳播算法LPA(Lable PropagationAlgorithm)，以及類似的算法，如SLPA，HANP，DCLP等。
鑒於行業最新發展，酸街征信推出的反欺詐雲服務全面升級。根據其提供的欺詐評級和欺詐判斷的補充信息，信貸機構可以結合自身已有的欺詐策略同時部署應用，從而達到欺詐防範效果的最優化。在合作機構前期運營過程中，反詐騙雲服務已經建立了信貸行業反詐騙聯盟，在實現行業聯防聯控、打擊詐騙團夥多機構逃匿攻擊等方面取得了理想的效果。
據統計，反欺詐雲服務上線半年來，已為70余家合作機構的數百萬筆信貸申請提供欺詐預警服務，幫助信貸機構發現欺詐損失數千萬元。
在原有的基礎上，反欺詐雲服務的三大產品優勢將更加明顯，即海量的征信資源數據、優秀的關系網絡算法和優秀的中文模糊匹配功能。反欺詐雲服務可以有效地建立算法優秀的關系網絡，因為我們使用了直接基於“點”和“線”存儲的圖形化建模方法，結合DMR網絡關系發現算法，大大提高了欺詐關系發現的能力和效率。該系統具有發現欺詐網絡無延遲、實時檢測和計算、覆蓋每壹個欺詐應用的特點。更重要的是，它定義了多個相關關系，從而發掘團夥案件的潛在聯系，使其無處藏身。