申请阶段的反欺诈，是信贷生命周期的重要一环，此时对欺诈风险的排查能帮助金融机构更好地管理和了解客户，避免潜在的欺诈损失。作为全球领先的信息服务公司，益博睿在全球的业务经验好比是一座设计反欺诈策略的图书馆，基于在北美的反欺诈分析经验，针对客户申请信贷时提供的信息，益博睿建议通过设计更高效的数字化反欺诈策略，进行身份核验和内外部信息核查，以更好地评估欺诈风险。
面对申请欺诈的多样性，需要更全面的反欺诈策略
评估一份信贷申请的欺诈风险，金融机构要审视三个关键问题：
- 申请者是否是真实存在的（虚假身份）？
- 申请者是否是他/她本人（身份盗用）？
- 申请者是否有意愿还款（第一方欺诈）？
把控好这三个环节的审核，就可以相应地防控申请阶段的几类常见欺诈手段：
- 第一方欺诈（First Party Fraud）：使用本人的身份信息进行信贷盗用，表现为多期不还款，短期内达到高逾期阶段等。这类欺诈与信用风险的表现有时比较类似，第一方欺诈的区别体现在欺诈者无还款意愿。还款意愿通常难以量化，实践中可以通过短期内的使用率大幅上升或成为不良，无法联系，在催收中不承诺还款等表现，来刻画第一方欺诈的行为模式。通常第一方欺诈的金额要远远高出普通的信贷风险群体。
- 第三方欺诈/ 身份盗用（Third Party Fraud/ ID Theft）：使用他人身份信息进行信贷盗用，身份信息的真正持有者是受害人。欺诈者可能掌握了部分身份信息，因此通常出现某些身份信息不匹配、不完整的情况。欺诈者会充分使用盗取的身份信息，尽可能申请更多信用卡和贷款，直到被察觉。
- 账户盗用（Account Takeover）：欺诈者盗取他人的账户，说服银行他/她是账户的主人，修改登录信息等来接管某个已经存在的账户，继而盗取更多信用。
- 虚假身份（Synthetic ID）：综合虚假和真实的信息合成一个全新的身份，在3-12月内通过申请入门信用产品并保持良好的还款记录来建立信用，获得银行的信任，拿到更多和更高额度的信用卡、贷款。一旦时机成熟，欺诈者不再还款，刷光名下多家信贷机构的信用卡后消失不见，造成大金额损失。
由此可见不同类型的欺诈特性不同，在监控和分析时需要区别对待，否则会遗漏重要的风险盲点。比方说在第三方欺诈中，通常被盗取的是信用记录良好、信用评分高的身份信息，用来申请大额贷款。单纯用信用信息为基础的评分会将这一类申请划分到好客户里面，难以兼顾到第三方欺诈的风险。这种欺诈行为通常通过分析申请频率，捕捉异常趋势和申请轨迹来进行有效地检测。总体而言，在检测欺诈风险的实践中，没有一招制胜的法宝。金融机构需要通过对客户数据和客户反馈的持续监控，针对不同类型欺诈制定相应的策略进行更加全面的防控。
搭建反欺诈模型的“干流和支流”
如何更高效地搭建反欺诈模型？有效的衍生变量正是模型和策略的基石。在益博睿北美的申请反欺诈实践中，总结了一些高效的变量和规则，包括：
- 内部信用历史，征信变量和评分 —— 评估信贷使用情况和近期变化趋势
- 身份模糊匹配变量 —— 多种匹配组合和匹配度等级从不同的角度检测身份信息，甚至可揭示某些身份盗用的惯用手法
- 多头申请 —— 申请频率，多次申请的匹配情况描画了申请者近期的行动轨迹
- 线上申请风险 —— Email/IP 的匹配，使用频率，历史，App使用情况等反映了申请者线上足迹
在分析变量的时候，不同行业、产品，申请渠道，是否新客等信息是模型设计中重要的考虑因素，有些需要单独区分。行业或者业务特有的数据，如汽车贷中的车辆信息，包含独特的风险因素会有效提升模型表现。另外，利用知识图谱的方法将上述多维度的信息进行关联组合，可以更高效地挖掘关系型风险，识别潜在的团伙欺诈。
目前许多欺诈的判别依靠黑名单匹配和规则。规则的可解释性高，但是单条规则或者是几条规则的简单组合往往过于绝对化，容易引起误判。反欺诈策略首先需要评分模型的支持，再结合一些区分度高或者容易发生变化的规则。评分模型好比河流的主河道，通过汇聚多种特征变量，形成了相对稳定的评分体系，作为主要的防护支柱，检测常见欺诈趋势；而规则变量则如同条条支流，更好地反应了特殊人群和当下最新的欺诈方式，可监测小部分极高风险的人群。模型评分卡和规则变量结合的模式，可以在持续控制主要欺诈风险的同时，捕捉当前趋势，结合业务要求，实现更灵活动态的反欺诈策略。
值得注意的是，尽管复杂的机器学习模型通常可以提高欺诈检测率，但同样不能适用所有场景，且很容易因为过拟合而表现不稳定，需要在运用复杂模型时倍加小心，加强人工干预和审核。
在评估反欺诈模型的时候除了优化欺诈人数检测率，也不可忽视欺诈金额检测率。益博睿发现，好的模型通常在欺诈金额检测率上有更好的表现。比如A和B 模型，在抓取5% 的总客群时都可以检测40%的欺诈人群，A模型检测的欺诈案例覆盖了30%的欺诈损失金额，而B模型捕捉到的欺诈人群则覆盖60%的欺诈金。这表明B模型可以识别更大金额的欺诈人群，更有效地防控大额和超大额欺诈案件，提高ROI。
反欺诈的实践是站在欺诈者的角度思考问题的过程，“如果我是欺诈者，我会怎么做？”新的欺诈手段和欺诈者就像魔高一尺道高一丈的追逐，因为欺诈快速变化的特性，任何模型和策略都不能一劳永逸，而需要定期评估、调整和不断地引入创新。这个过程也是结合业务可解释性、专家经验和机器学习优势来搭建高效的反欺诈策略的必经之路。