信用卡风控：基于知识与模型融合驱动的智能风险防控是趋势

如今,信用卡产业正从高速增长向高质量发展转型,信用卡线上化、智能化运营正考验着银行的信用卡业务,受复杂多变的经济金融形势影响,信用卡正面临传统风险与新型风险共生,线下风险与线上风险并存,欺诈风险、信用风险与合规风险共存的新形势。

顺势而为,以科技深度赋能,重塑信用卡风控体系,更加精细化、智能化的风险管控体系是未来信用卡产业行稳致远的护航之翼、固本之基。近日,在信用卡智能风控研讨会上,来自工商银行、邮储银行、农业银行、中原银行、广州银行、北京银行、上海银行等专家共聚线上,碰撞智慧。邦盛科技业务专家从“基于知识与模型融合驱动的智能风险防控”角度,深入分析了新形势下的信用卡风险趋势,并结合案例对信用卡智能风险防控策略进行了分享。

信用卡风险变化趋势

从监管趋势来看,近几年央行陆续出台了很多相关文件,如跨境赌博、电信诈骗、反洗钱、涉赌涉诈可疑资金排查等,金融监管都有相应的工作要求。这就要求银行需要完善相应的防控机制。

信用卡电信诈骗实施以境内为主,境外地区上升较快

随着互联网的发展,叠加疫情影响,信用卡风险呈现非面对面交易的特征,从整体趋势来看,以电信诈骗为主,仍以境内为主,但境外地区上升较快。电信诈骗被骗主要为客户轻信不法分子虚假信息后,主动外泄个人身份信息、信用卡信息、手机验证导致交易盗刷。

常见的被骗手法如虚假电话(主要为退货),虚假短信(主要为ETC认证短信、身份证过期)、扫描不明二维码等。信用卡电信诈骗欺诈特征有,绑卡后存在静默期后盗刷;移动PAY支付欺诈率较高等特点。另外在欺诈申请中,团伙欺诈比例提高,约占整体欺诈申请的60%,包括中介代办、资料包装和批量工具。

涉赌涉诈相关资金流向开始向信用卡转移

随着“断卡”行动的推进,洗钱诈骗团伙另辟蹊径通过信用卡账户的溢缴款来收取或转移资金,作案工具由借记卡向信用卡扩大的趋势愈发明显,如通过信用卡进行赃款的存入,通过相关的下游账户(POS、ATM、刷卡套现等)进行消费,来做资金转移。另一块是套现洗钱风险,需要银行结合商户的具体情况去关联持卡人及对手商户是否会涉及到相关的交易。

典型欺诈智能风险防控实践

信用卡申请团伙欺诈

前面提到,申请欺诈中,团伙欺诈的比例提升,需要结合同业客户经验总结、行内业务需求和行内数据质量共同制定规则单维度特征,主要通过共性关联特征(如通过人群共性、手机共性、单位共性等);集中度分析(如营销员集中进件、大小维度范围内集中申请等);重合度分析(如手机、联系人单位、单位地址、IP设备间的一维和二维关联集中情况分析)及资金流向(卡与个人、个人与商户间)等维度,衍生单维规则特征。

从防控实践角度,建议主要以专家经验融合机器学习等AI智能手段,通过一些特征,包括两维特征甚至多维特征,再利用机器学习算法,去评估整体风险。另一块,结合图谱规则,根据团伙成员数量、欺诈占黑率等评价指标及阈值来识别后续规则探索过程中的有效图规则。

以邦盛科技服务的某银行为例,通过制定申请反欺诈规则模型和知识图谱图规则,识别出100多个风险团伙,经过行方验证后,团伙图规则识别准确率提升50%,人工处理案件时效提升30%,降低了团伙欺诈带来的风险。

信用卡涉赌涉诈

涉赌涉诈作为强监管下的一部分,对银行等金融机构提出了更高的要求,银行需建立监测模型,识别涉赌涉诈风险,降低通报账户数和人行通报排名。

从异常资金流向来看,主要通过信用卡在不同渠道所发生的交易行为,结合所涉及到的商户,如商户跳码、移机等,再通过循环出入金的不同环节去识别信用卡是否有涉及到资金转移的情况。

针对可疑线索涉及账户的相关信息和使用情况,进行关联比对及拓展研判,发现涉赌涉诈可疑账户的,及时进行核实与报告,采取限制账户权限等相关措施,包括同名账户反查、电话号码反查、交易对手方反查、网银操作反查等。

在服务银行实践中,邦盛科技对已被通报的涉案账户通过挖掘风险特征,建立风控模型,排查存量账户,监测新开账户,从而控制存量账户风险,遏制新增账户风险,做到常态化风险排查。

以邦盛科技服务的某银行涉赌涉诈项目为例,针对该行风控系统无法满足业务需求、人行通报涉案名单突增等痛点,帮助该行从无到有搭建了风险账户常态化监控核查机制,规则模型召回率超90%,帮助行方提升了反欺诈的智能化水平,降低了人行通报排名,全面提高了防赌反诈工作的有效性和效率。

套现风险识别

随着收单交易的线上化,商户收单风险在一些大型银行信用卡中心承担相应的风险识别职责,银行在收单侧这一块,可以对积累的样本和可供分析的数据,形成套现的特征总结,通过相关的交易和基本信息,结合专家经验和相关数据,识别出商户团伙套现风险或涉赌涉诈风险。

以邦盛科技服务的某银行为例,通过知识图谱的特征来描述整个套现团伙的行为,再通过相关的规则模型去做推理和识别,去发现相关商户可能涉及到的套现团伙风险。最终出识别6000多个套现团伙,经过行方抽样的团伙验证,均为套现团伙。

知识与模型融合驱动的智能防控

在服务实践中,邦盛科技发现,建立规则策略+模型策略+图策略的三核协同智能决策体系可有效提升信用卡账户风险排查效果,帮助风险防控工作从人工被动筛查向主动风险发现模式转变。

在项目实施方面,邦盛科技建议分阶段、渐进式进行:

阶段一:通过对黑样本及行内的风险账户数据的异常特征进行提炼,定义相关指标,并形成规则模型对账户进行风险排查;

阶段二:积累充足的黑样本后构建机器学习模型和关联图谱分析,进一步提升模型效果以及对犯罪团队进行有效识别。

另一方面,考虑到风险策略决策融合可能无法达到契合的状态,可在预警端进行融合。首先对人行/公安下发的黑样本进行预警处置,通过图谱关联预警可疑名单、机器学习预警可疑名单进行融合,根据风险偏好及核查负荷量,提取风险评分较高的头部可疑对象,进行业务核查,收集反馈信息后,对确定可疑的账户进行管控,进一步积累黑样本,根据核查反馈,设置预警免疫。

本次交流研讨活动是行业对信用卡风险防控的智慧碰撞,也是疫情期间线上有价值交流的一次积极尝试,为与会者带来了新的思考和启发,也为信用卡风险防控工作提供了新的视角。