互利网上数字金融典型场景： 网络借贷

      我国网络借贷行业出现早、发展快。自 2007 年，我国第一家网络借贷平台拍拍贷成立。经过数年的发展，我国 P2P 网贷规模已经成为世界第一。据网贷之家的数据显示，2017 年全年网贷成交量 接近 2.8 万亿元，相比 2016 年增长 0.8 万亿元，接近 2015 年成交量的 3 倍。

      网络借贷行业快速发展的同时欺诈行为也层出不穷，据爱钱进网的统计，每 100 个拒贷案件中大约有 16 起涉及不同程度的蓄意造假或欺骗。由于线上造假成本低廉，诈骗技术不断更新，代办公司迅速崛起，社会个人征信体系不完善等原因，网贷行业也成为诈骗者竞相追逐的“蛋糕”。

      网络借贷的欺诈行为主要有中介代办、团伙作案、机器行为、账户盗用、身份冒用和串联交易等。 其中，身份冒用是比较常见的欺诈行为，它是指贷款人对提供的个人身份、财产证明等材料进行造假， 甚至采用欺骗等违法手段获取他人信息，进而冒充他人身份骗贷。

 

网络借贷欺诈案例：网络借贷中的身份冒用欺诈

      2017 年 3 月，某中介通过 QQ 群招揽学生做兼职，中介给予每个学生一张手机卡，并要求学生 拿此卡去银行办理工资卡。中介以登记为由，利用银行卡和手机号获取了学生的身份证、学籍、学历等信息，而后用绑卡方式向网贷平台申请了多笔信贷业务。

 

反欺诈手段

      针对身份冒用的欺诈行为，主要采取了人脸识别、用户画像等技术。

      具体步骤包括：

       一方面，利用人脸识别技术识别是否是借款人本人发起的申请，具体操作上利用视频画面截取申请人脸部特征，与身份证照片进行比对验证。但由于该网贷平台没有视频验证的流程，就需要配合精准画像等技术进一步验证；
      另一方面，通过文本语义分析、用户行为分析、终端分析等等方法，刻画客户个人的特征，并用于网络贷款交易事前、事中、事后全过程的欺诈识别。

      例如， 通过大数据分析投资者的行为轨迹发现，正常投资者会在申请的每个节点都停留几秒，完成整个贷款申请流程至少需要 5 分钟，而数据分析发现欺诈者不到 10 秒钟就走完所有流程，且该用户的申请时间是凌晨 2 点。根据对用户申请速度、申请时间的分析，就可以判定出来这个人应该是欺诈者，于是平台立即拒绝了其贷款申请。

 

反欺诈效果和可移植性

      人脸识别和用户画像技术在身份冒用的欺诈行为识别中发挥了重要作用，通过图像采集、人脸检测、精确定位、数据标准化、人脸特征比对等步骤识别是否是本人操作，利用用户画像能够锁定客户的个性化特征，综合判定欺诈的可能性。这两类技术不仅在网络借贷虚假申请识别中的应用效果显著，同时也可向其他金融及非金融领域移植、复制。

      人脸识别技术除在金融反欺诈中得到应用外，还可在公安刑侦、社会保障、边境检查等公共服务领域得到广泛应用。当然，该技术也存在一定的风险：一是脸部数据的可复制性，个人的脸部特征数据可在公开环境下直接获取并复制。二是脸部数据的不稳定性。脸部化妆、过敏、受伤、整容都会导致脸部特征发生变化，从而影响人脸识别准确率甚至无法识别。三是后台数据的安全性至关重要，一旦人脸识别、虹膜识别的后台数据被黑客攻破，对行业和社会都是毁灭性的打击。因此，人脸识别技术并不是风控中具有绝对杀伤力的武器，而应该结合反欺诈的其他技术手段配套使用，这是人脸识别技术运用的重要前提。

      用户画像技术的本质是给用户行为贴标签，该技术的主要作用是通过数据挖掘，利用关联规则计算以及聚类算法分析用户偏好行为以及行为之间的内在联系。因此，该技术不仅能够识别用户潜在的欺诈行为，更重要的是能准确了解用户习惯和需求，在基于用户需求角度下的各类商业场景和公共服务场景都有应用的可能。值得注意的是，用户画像技术是多学科的结合，需要知识图谱、自然语言处理、机器学习和数据挖掘等方面的交叉融合。

 

 

相关文章：

互利网上数字金融典型场景：网络支付

互利网上数字金融典型场景：网购运费险

互利网上数字金融典型场景：网络营销

互利网上数字金融典型场景：消费金融

数字金融反欺诈技术名词表

数字金融欺诈行为名词表

如何帮助企业把风控做得更好？

如何帮助企业把风控做得更好？（续篇）