AI、机器学习能够构建县域消费金融反欺诈壁垒？
【摘要】作为政策和经营双重风险行业，消费分期尤其是信用资料缺乏的农村消费金融领域与县域消费金融领域，一直面临着两种风险的困扰，其一是信用风险，其二则是欺诈风险。
金评媒（https://www.jpm.cn）编者按：信用风险是指借款人因为各种原因无法按时、足额偿还债务本息的可能性；欺诈风险是指借款人在申请借款时没有还款意愿的风险。此外，欺诈风险还存在团体和个人两种情况。
作为政策和经营双重风险行业，消费分期尤其是信用资料缺乏的农村消费金融领域与县域消费金融领域，一直面临着两种风险的困扰，其一是信用风险，其二则是欺诈风险。
风控的核心是反欺诈
从定义来看，信用风险是指借款人因为各种原因无法按时、足额偿还债务本息的可能性；欺诈风险是指借款人在申请借款时没有还款意愿的风险。此外，欺诈风险还存在团体和个人两种情况。
事实上，根据相关第三方数据调查统计显示，消费金融以及互联网金融公司的坏账中有超过50%来自于欺诈。对于消费金融公司来说，欺诈风险远远大于信用风险。
欺诈者以非法牟利为目的，在真实交易方不知情的情况下，采取盗取账号、伪造身份、提供虚假信息、进行虚假交易等行为，给正常提供交易的各方造成损失，对互联网消费金融业务提供机构造成严峻的挑战。
随着业务和场景的不断下沉，各消费金融公司的业务布局纷纷从一、二线城市下沉至三、四、五线城市，乃至县域和农村。但广大县域及农村地区因其信息的滞后与不对称性，造成诸如征信不足、大数据资料过少、地理因素贷后管理困难等风险控制难点，更为欺诈提供了温床，随着行政区域不断缩小，欺诈风险日益提高。
传统银行的做法是每遇到一次欺诈行为，就将个案的行为特点进行记录，形成一个诈骗规则，如果再遇到类似的规则系统会做出相应进行人工处理。这类做法的弱点是难以满足小额、高频的消费金融需求，对集体性欺诈行为更是无法防御。
用科技手段主动防范欺诈行为
把被动的反欺诈防御方式变为主动预警，依靠大数据挖掘和机器学习等手段，是目前科技金融公司目前正在尝试的路径。
从P2P、互联网金融到科技金融、数字金融，中小微金融服务机构借助AI、区块链、机器学习、深度学习、大数据分析等领先技术手段对申请欺诈、信用欺诈、账户盗用、洗钱、羊毛党、虚假交易等行为进行有效防范。
不过，不论用何种手段，在定义好人与坏人这一基础性问题上，所有消费金融服务机构所采取的逻辑大致是相似的。
把坏人从潜在用户中识别出来，就是反欺诈。其核心建立在“客户有罪论推论”基础上，即先假设所有人都是有罪的，如果用户通过了风控模型中每一个标签卡的判定，则会被证明“无罪”。当然，如果一名贷款用户被判定“有罪”，其结果就是拒贷。
事实上，对于真正为中国农村及县域区域提供金融服务的科技金融公司而言，以反欺诈为核心的大数据风控决策引擎是构建起行业竞争壁垒的必不可少的要素之一。
在客户借款过程中，天沐大数据风控系统会根据数据库中庞大的积累数据及授权数据，以及用户资料、用户行为模式等信息进行交叉验证，实现对欺诈用户、欺诈团伙、账户盗用、羊毛党、套现等行为的有效防范。系统中的反欺诈决策引擎和三维信用评级也能够综合覆盖和把控用户、渠道和业务员的风险。
利用金融科技手段进行反欺诈，目的在于通过机器学习方式将人工干预程度降低，减少因主观臆断造成的决策失误。
当用户在线下提交申请，决策引擎接收到请求后会自动抓取用户授权信息和外部数据源相关信息，大数据平台进行自动审核，监控和各种风险预警。比如天沐大数据风控平台会自动识别商户地理位置与提单位置是否相符，做出预警；也会通过关系网络识别和预警团伙欺诈行为。
反欺诈的未来属于人工智能
自从AlphaGo接连战胜围棋界顶尖选手李世石与柯洁后，质疑人工智能成为未来发展趋势的人变得越来越少。人工智能的一大优势就是不论在何种环境中遭遇什么状况，都能够快速分析问题并选择最优路径。
人工智能始于大量数据学习的过程，通过数据和行为的分析推导出规则和流程。在消费金融领域，人工智能可以成功预防现有欺诈行为并预测未来数据，在实践中利用消费金融高频的特点进行快速学习，发挥更有效的决策作用，提升普惠资金利用效率。可以说，消费金融反欺诈在利用人工智能进行决策时具备一定的天然优势。
（编辑：杨少康）
互金通讯社
