金融大数据反欺诈解决方案
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 硬件属性信息 • IP信息 • GPS地理位置信息 • 设备所安装应用信息
跨平台交易查询
交叉验证， 多头借贷，多头申请
司法失信信息
法院案件号、欠款描述、身 份证
号、组织机构代码、姓名、 手机
号、银行卡号，不良买家、 不良商户
用户关联图谱
• 基于设备、IP、地理位置、 地域、联系人、通话记录， 社交关系等多维度数据挖掘 用户关联图谱
…...
电商应用
…...
支付应用
…...
场景化 事件驱动的Байду номын сангаас诈识别服务
可信
可疑
高危
反欺诈模型
用户行为分析
风险信息库
专家经验 反欺诈规则库
四. 反欺诈云 技术优势
精确的事件分析引擎
1. Event Processing Flow
• CEP引擎实时计算分析 （过滤、关联、聚合）与
Input Event1
欺诈案件相关的多类事件
之间的关联性，精确定位
用户意图，还原事件场景， 降低误杀率.
Input Event2
• 例如：某用户，在修改密
码后，接着重新绑卡，然 后进行提现操作的风险评
2. Based OpenSource CEP Framework
估.
灵活高效的规则引擎
• 风险决策逻辑和应用逻辑的分 离，业务人员可以自主实现规 则配置
Pattern Matcher
Working
Memory （Facts
）
Rule
Repository
Rule
Management
Console
Agenda
Rule Engine APIs
Business Application
积累多年的反欺诈经验规则库
信贷场景规则包
理财场景规则包
支付场景规则包
电商场景规则包
金融大数据反欺诈解决方案
一. 行业欺诈现状
欺诈数据
15%
线下贷款. 拒贷比例中15%为欺诈
80%
全线上贷款，拒贷比例中80%为疑似欺诈，当中有超过50% 是有明显团体欺诈的特征
50%
全线上贷款 贷后损失率客户中超过50%为欺诈
50%
坏账中大概有50%来自于欺诈
P2P在中国最大的风险，其实还不是信用风险，是欺诈风险 ---计葵生
专家规则库
精准的风险引擎
离线建模
用用户设户特备特征特征征
用用户用户特户特征特征征
……
用用户交户特易特征特征征
机器 学习
在线分析
当前身份信息 当前设备信息 当前地理信息 当前交易信息
风险 预测 模型
风险预测 分值
规则分值
评
估
引
分值计算
擎
放行
告警 强认证
挂起
阻断
多维度 欺诈信息库
身份核实
• 四要素认证：姓名，身份证 号，手机号，银行卡号
• 支持复杂规则处理，包括时间 窗口规则，位置规则，统计规 则，名单规则，事件关联规则， 用户习惯规则，异常规则
• 引擎将规则执行结果量化为申 请人的欺诈概率，并将客户实 际业务场景与欺诈概率阈值进 行比较，进而做出合理决策
Production Memory （Rules）
Rule Engine
Inference Engine
• 个人学历状况 • 个人投资任职状况 • 个人公积金社保 • 个人通讯信息 • 个人消费信息
用户行为库
• 设备ID、 IP、地理位置、交 易时间、用户ID
• 交易场景，事件以及事件持 续时间
黑灰名单
欺诈，老赖，违约相关的 手机号、邮箱、 身份证号、
姓名、银行卡号、设备ID、 IP地址
移动设备信息库
• IP全球最精准IP定位、 • GPS经纬定位、基站定
位数据
设备指纹
智能的关联分析
组团欺诈分析
不一致性验证
汇报完毕 感谢聆听
行业高发的欺诈问题
二. 反欺诈需要解决的问题
反欺诈要解决的问题
你是你吗？
你是人吗？
你是自己吗？
你知道是自己吗？
欺诈行为判别
构建用户行为画像
三. 解决方案 场景化，事件驱动的欺诈识别服务
反欺诈云服务
用户
理财应用 激活事件 注册事件 登录事件 认证事件 绑卡事件 活动事件
…...
信贷应用 注册事件 登录事件 绑卡事件 充值事件 授信事件 放款提现事件
跨平台交易查询
交叉验证， 多头借贷，多头申请
司法失信信息
法院案件号、欠款描述、身 份证
号、组织机构代码、姓名、 手机
号、银行卡号，不良买家、 不良商户
用户关联图谱
• 基于设备、IP、地理位置、 地域、联系人、通话记录， 社交关系等多维度数据挖掘 用户关联图谱
…...
电商应用
…...
支付应用
…...
场景化 事件驱动的Байду номын сангаас诈识别服务
可信
可疑
高危
反欺诈模型
用户行为分析
风险信息库
专家经验 反欺诈规则库
四. 反欺诈云 技术优势
精确的事件分析引擎
1. Event Processing Flow
• CEP引擎实时计算分析 （过滤、关联、聚合）与
Input Event1
欺诈案件相关的多类事件
之间的关联性，精确定位
用户意图，还原事件场景， 降低误杀率.
Input Event2
• 例如：某用户，在修改密
码后，接着重新绑卡，然 后进行提现操作的风险评
2. Based OpenSource CEP Framework
估.
灵活高效的规则引擎
• 风险决策逻辑和应用逻辑的分 离，业务人员可以自主实现规 则配置
Pattern Matcher
Working
Memory （Facts
）
Rule
Repository
Rule
Management
Console
Agenda
Rule Engine APIs
Business Application
积累多年的反欺诈经验规则库
信贷场景规则包
理财场景规则包
支付场景规则包
电商场景规则包
金融大数据反欺诈解决方案
一. 行业欺诈现状
欺诈数据
15%
线下贷款. 拒贷比例中15%为欺诈
80%
全线上贷款，拒贷比例中80%为疑似欺诈，当中有超过50% 是有明显团体欺诈的特征
50%
全线上贷款 贷后损失率客户中超过50%为欺诈
50%
坏账中大概有50%来自于欺诈
P2P在中国最大的风险，其实还不是信用风险，是欺诈风险 ---计葵生
专家规则库
精准的风险引擎
离线建模
用用户设户特备特征特征征
用用户用户特户特征特征征
……
用用户交户特易特征特征征
机器 学习
在线分析
当前身份信息 当前设备信息 当前地理信息 当前交易信息
风险 预测 模型
风险预测 分值
规则分值
评
估
引
分值计算
擎
放行
告警 强认证
挂起
阻断
多维度 欺诈信息库
身份核实
• 四要素认证：姓名，身份证 号，手机号，银行卡号
• 支持复杂规则处理，包括时间 窗口规则，位置规则，统计规 则，名单规则，事件关联规则， 用户习惯规则，异常规则
• 引擎将规则执行结果量化为申 请人的欺诈概率，并将客户实 际业务场景与欺诈概率阈值进 行比较，进而做出合理决策
Production Memory （Rules）
Rule Engine
Inference Engine
• 个人学历状况 • 个人投资任职状况 • 个人公积金社保 • 个人通讯信息 • 个人消费信息
用户行为库
• 设备ID、 IP、地理位置、交 易时间、用户ID
• 交易场景，事件以及事件持 续时间
黑灰名单
欺诈，老赖，违约相关的 手机号、邮箱、 身份证号、
姓名、银行卡号、设备ID、 IP地址
移动设备信息库
• IP全球最精准IP定位、 • GPS经纬定位、基站定
位数据
设备指纹
智能的关联分析
组团欺诈分析
不一致性验证
汇报完毕 感谢聆听
行业高发的欺诈问题
二. 反欺诈需要解决的问题
反欺诈要解决的问题
你是你吗？
你是人吗？
你是自己吗？
你知道是自己吗？
欺诈行为判别
构建用户行为画像
三. 解决方案 场景化，事件驱动的欺诈识别服务
反欺诈云服务
用户
理财应用 激活事件 注册事件 登录事件 认证事件 绑卡事件 活动事件
…...
信贷应用 注册事件 登录事件 绑卡事件 充值事件 授信事件 放款提现事件