互联网信贷反欺诈三大对策，《赢在风控》引领成功

随着互联网时代的来临，与大数据、云计算、移动互联网、垂直搜索引擎相结合的互联网金融业既冲击着传统商业银行，又为商业银行的发展提出了新的视角。互联网浪潮下，商业银行开展信贷反欺诈，需要大胆创新，勇于变革，积极采取科学的信贷策略与技术手段。

（一）以移动互联技术为精髓的“远程”非现场信贷调查

移动通信技术（指移动终端设备通过移动通信网络进行通信）与互联网技术的有机结合产生了移动互联技术。与固定的有线互联网相比，移动互联网特点主要体现在终端设备和接入网络，以及由于终端和移动通信网络的特有功能所带来的独特应用。大多数专家学者认为移动互联网是未来十年内最具有创新活力和市场规模的领域。新兴的移动互联技术正在悄然改变人们的生活方式，移动4G通信、云计算、大数据等新技术的发展更进一步推动支付宝、余额宝、微信支付等互联网银行的崛起，这使传统银行业的发展面临前所未有的挑战。目前，互联技术和大数据技术为信用风险管理提供数据支持和创新手段。大数据、云计算、社交平台、垂直搜索引擎等技术对商业银行业务的帮助很大。银行的私人银行客户、公司银行中小客户、同业银行客户等都具有自身网上交易习惯，借助新技术去改善客户关系管理、授信业务管理、交易结算业务等很有必要。就信贷业务而言，移动互联技术使得无论人与人的物理距离有多遥远，都可以通过一台电脑、一部手机，直接将银行与客户的距离拉到最近，为“远程”的非现场信贷调查提供了技术层面的可能性。例如，人脸识别技术为贷款对象的身份识别提供了强大的信息技术支撑作用。

随着移动互联技术的进步和发展，商业银行开发出很多基于移动互联网的信贷产品。信贷客户通过手机银行APP，即可便利地申请银行贷款，获得银行的贷款支持。银行在信贷反欺诈的风险控制中，首先要确定的就是贷款对象的身份问题。银行通过人脸识别技术，可以实现贷款对象的身份识别。如图所示，人脸识别是一种特殊的生物认证识别技术，其处理过程主要包括人脸图像或视频采集、人脸检测、特征值提取、人脸识别。人脸检测，即在给定的图像中，检测是否存在人脸，如果是人脸，则给出人脸的具体位置、大小等信息。特征值提取，即提出人脸的特征，人脸图像信息数据量巨大，为了提高运算速度，需要对数据压缩，如降低向量空间的维数，用少量的具有生物特征的数据来表示尽可能多的数据。人脸识别，即将输入图像中的特征值提取出来，并与事先保存好的人脸特征值进行比较，以此来识别人脸的合法性。信贷实践中，客户在申请过程中，银行通过嵌入手持手机拍照的过程，将客户自己的面孔与身份证件放置于指定的方框内，方可进行贷款申请。方框内截取的图像，可在后台通过人脸识别技术，匹配申请人与所持证件的一致性，进而实现贷款对象身份的反欺诈识别。人脸识别技术，其本质特征属于生物特征识别技术。从内涵上讲，生物特征识别技术是通过提取生物某些特定的易于区分本体的特征或行为，并将所提取的特征与事先录入数据库中样本数据进行筛选和匹配，从而完成对个人身份的识别。

人脸识别技术，主要通过人脸识别系统加以实现。如图所示，人脸识别系统主要包括视频实时采集及预处理、数据库管理、人脸识别和识别信息输出等四个模块组成。系统具体识别过程：首先对样本视频中人脸进行检测，剪切出人脸图像部分，并对所剪切出的图像进行去噪、平滑等处理。在身份信息管理数据库模块，将特定的人脸与身份信息进行匹配，如：姓名、联系方式等信息。在人脸识别功能阶段，采用PCA（Principal Component Analysis）算法将视频中人脸特征与数据库中人脸特征进行数据比对，筛选出与输入图像相匹配的身份信息进行输出。在人脸识别中，商业银行可以通过采用PCA分析算法进行人脸特征提取及数据维，该算法属于多元统计分析法，是用一种较少数量的特征对样本进行描述，以达到降低特征空间维数。人脸图像特征信息是一个高维的矩阵信息，PCA算法可以将高维的人脸图像矩阵映射到低维特征空间中，基于各个正交基底来生成对应的特征矢量。这种特征矢量不仅可以免除环境和人为因素如光照、姿态、表情等干扰因素对识别的干扰，同时可以精确地反映人脸图像的全局信息与局部特征信息的关系。

（二）以大数据思维为理念的“客户画像”刻画技术(www.xing528.com)

商业银行需要树立大数据思维，通过整合“线上+线下”数据、跨平台数据、多维度信息，全面地客户“客户画像”特征，从中获取更为真实的客户画像。商业银行可以通过已建立的信息服务平台，并结合基于爬虫等技术手段获得的舆情信息，利用半结构和非结构化数据的加工分析技术，将信用信息数据转化成结构化数据，并在结构化数据的基础上进行加工整合，构建全面的客户征信视图，进行客户画像，从而实现对客户的360度画像标签。客户画像可以分为个人客户画像和企业客户画像，其中个人客户画像包括性别、年龄、健康状况、职业、婚姻、文化水平、收入等人口统计学特征数据，还包括个人消费能力、兴趣、风险厌恶情况等数据，而企业客户画像涉及企业生产经营的各个环节，包括生产、运营、销售、客户、财务、流通等数据，还包括相关产业链的上下游数据。客户画像还可以分为立体画像和专业画像。其中立体画像指的是通过数据挖掘和关联分析技术，以多维标签组合对客户特征进行全面描绘，建立一个以客户为维度，综合消费、投资、支付、信贷等信息的立体画像。对立体画像背后内在关联的挖掘，对于设计监控模型、管理交叉风险、实行精准营销等决策给予了强有力的信息支撑。专业画像指的是为了实现某种管理目的以及业务需求，以大数据和标签组合化思路深入剖析形成的特定画像，如营销画像、风险画像等。专业画像能够应用到控制风险、维护客户关系、精准营销等众多领域，使得诸如银行等机构能够准确对客户的交易行为进行预测、迅速洞察并有效防范潜在的风险、及时抓住营销机会等等。需要注意的是，客户画像并不是一成不变的，会伴随着客户行为以及交易习惯的改变而进行动态的调整。因此，为了保证准确性，需要对客户画像进行管理，一般采用系统自动更新与人工定期修正相结合的方式。信贷实践中，商业银行可以通过抓取客户身份信息、个人社交网络信息、互联网浏览记录、金融账户的收支记录等信息，推演更多数据，来刻画客户的财务情况、兴趣爱好、支付习惯和社会关系，进而刻画出更为真实的“客户画像”，为银行的信贷决策提供技术支撑。

（三）以金融科技为动力引擎的“智能化”反欺诈风险控制模型

近些年来，金融与科技相结合的例子不胜枚举，如何既汲取传统金融行业在风控上的优势与经验，又能将此与“大数据”“云计算”等技术更好的结合，从而在提高效率、降低成本的同时，将风控做到更好，也一直是业内外共同探讨和致力的方向。时至今日，“大数据”“云计算”等词汇，对于人们而言，即便不能理解其中深意，却也是耳熟能详的词汇了，这也从侧面反映出技术对于人们生活影响的广泛与迅捷。在过去，对于传统金融业而言，严谨的风控常是其被人们所津津乐道的优势，随着互联网浪潮的发展，科技手段的不断更迭，关于“如何将传统金融的谨慎与新技术的高效相结合”这一话题的探讨也越发频繁地被提及。

随着信息科技的进步，大数据风控是金融科技应用的大势所趋。大数据风控的一个显著特征便是智能化风控模型。智能风控，被誉为传统金融的变革之翼，商业银行通过引入外部数据和提前设计好风控规则，实现各类信息采集与对比校验的自动进行，通过事先部署反欺诈规则和策略自动执行拒贷动作，实现信贷反欺诈的智能化风险控制。大数据风险控制模型是能够量化欺诈风险的模型，是一种智能模型。该模型以可观察到的交易特征作为变量，利用计算出来的分值来代表交易的欺诈风险，并且在此基础上将欺诈风险分为几个不同等级。通过风险控制模型与客户画像相结合，从客户进行交易的第一个行为就进行分析，以对应的风险分数赋予客户的每一个动作，为反交易欺诈，从而能够有效控制风险进行科学决策，对欺诈风险高的交易可以据此形成预警并展开调查。此外，在风险模型的基础上，结合客户画像，可以在并行数据处理技术环境下灵活运用R语言等工具，自动挖掘客户担保圈的关系，对预警担保圈的形成进行自动标识。智能风控会根据客户的履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为特征去评判一个人的反欺诈和信用评估行为，从而形成信用画像，进而实现对客户欺诈风险概率的科学衡量，实现自动化、精准性的反欺诈风控调查。

【信贷反思录】互联网浪潮下商业银行开展信贷反欺诈的主要对策有哪些？