社会关系网络(SNA)如何应用于团伙欺诈识别

金融风控反欺诈线条里，运用社会关系网络（SNA）技术结合信贷产品业务场景发现疑似团伙欺诈，已经成为近年反欺诈技术的成功应用和热点，不仅是金融科技公司不断升级欺诈监测技术，就连传统银行，也开始着力搭建自己的反欺诈技术团队。

反欺诈策略规则，虽然可以在多个规则纬度交叉关联匹配下，构建客户规则节点的关联关系，但无法自主地发现和预测更多的关联节点，而社会关系网络的应用，就能大大弥补信贷反欺诈在这方面的弊端。

反欺诈规则分析案例

防止中介团伙欺诈场景，反欺诈规则通常从用户填写的家庭或单位地址中，通过模糊处理，精确密度到小区（对于城市）或村（对于乡镇）近X天集中申请的次数大于N次，则判定为疑似欺诈用户。

这是常见反欺诈规则的分析逻辑和结果，可以发现这样的分析可以一次性挖掘出一个或者多个维度规则，但想要根据时间的推移，新疑似欺诈的发现需要不断地进行数据分析。

如果可以通过算法，随着时间的演变不断地自主挖掘出新维度，甚至新规则，对于金融机构，将在生产效力上得到大大提升。

社会关系网络在团伙欺诈识别中的应用，就可以从根本上解决上面的问题。

社会关系网络识别团伙欺诈案例

仍以一个真实工作中的案例为背景，为读者朋友们分享社会关系网络在金融风控反欺诈的应用。

在信贷业务开展中，和反欺诈规则类似，已经从用户填写的家庭地址中，通过模糊处理，精确范围到小区的密度。在2019年T1时刻，某小区同时有2笔客户信贷申请的进件，风控对这2笔申请并没有阻止。在之后较短的T2时刻，又在同一小区有另外2笔客户信贷申请，这个时候因为触碰了一些风控规则，这两笔申请被拒绝。在之后的T3时刻，突然在这个小区有较大量的客户申请，虽然这些申请有部分也在风控中通过，但这个时候因为触发了社会关系网络小区节点阈值，即某个节点（某家庭住址）关联的节点数过多，此时已经引起反欺诈风控的注意。

通过对这批信贷申请客户其他信息的重新审核，又发现一个新的特点，即在之后的这个小区申请客户中，他们授权App获取的通讯录里都出现某一个手机号，并且这个手机号都备注上某经理。

T1-T3时刻中介团伙欺诈活动的监测过程如下图：

通过风控规则的调整，在T3之后，填写这个疑似欺诈客户的小区，都采取了拒绝申请的风控处理，同时通过社会关系网络节点的发现，“某经理”也作为新的节点规则进行风控反欺诈的加强。

事实证明，此中介团伙察觉到T3后的信贷申请被风控全部拒绝之后，也尝试更改填写一个新的小区地址再次进行大量的借款申请，但是我方因为运用关系网络提前发现新的节点（某经理），及时进行反欺诈风控能力的加强，此时的中介团伙已经无法进行大规模欺诈骗贷。

整个反欺诈关系中心节点的演变（从某小区到某经理）过程，可以以下图为图例：

对比分析

通过这个真实案例可以发现，传统的规则交叉关系匹配，是可以分析挖掘出某小区为中心点的疑似欺诈，即上图的深蓝色圈。但是当欺诈团伙改变信息后，即核心规则纬度（中心点）发生变化后，传统的反欺诈规则关系匹配分析无法提前发现变化后的中心点，至少，会出现较长时间的滞延。如果没有运用社会关系网络，示例中的申请件5，6，7，…N中会有大量的进件被通过，事后势必会造成大量的不良损失。

本文通过一个真实的团伙欺诈识别案例，向读者朋友们分享社会关系网络在反欺诈中的一个应用，下篇将会以一个算法为例，为大家分享社会关系网络中怎么连接和判断每个节点，如本例中的某小区、某经理。