银行以利率为价格,“买卖”的是货币,经营的是风险,最大的本钱是信誉。随着移动互联网、大数据的飞速发展,“一切数据皆信用”,银行掌握了庞大的数据信息,如果把大数据比作一种产业,那么这种产业实现盈利的关键,在于提高对数据的“加工能力”,通过“加工”实现数据的“增值”。
近日,央行发布 120 号文,要求全国商业银行完成基于大数据技术的银行卡风险防控系统建设,提升磁条交易风险办理水平。作为国内最早进行反欺诈研究的浙江邦盛科技有限公司,从三方面进行
政策解读:
1、基于高风险交易特点和持卡人行为特征,建立风险评估模型。
邦盛科技解读:
风险评估模型是风控的基础,模型的建立依赖对全行大数据分析及风险的防控经验。
一般来说,模型可分为两类:可信模型和欺诈模型。
可信模型是基于单一持卡人及同类持卡群体的行为数据,分析其习惯性行为特征,如习惯取款时间、习惯消费商品类型、习惯交易金额区间等。对于符合可信模型的行为,可视为低风险行为,相反,对于明显违背可信模型的行为,可视为高危行为,需要作进一步侦查。
欺诈模型是基于欺诈者的行为数据,分析其惯用欺诈手段,如高危时间、高危金额、连续多笔交易呈现异常特征等,对符合欺诈模型的交易,需要及时预警,须要时拦截风险交易,及时止损。
因此,银行需要结合可信模型和欺诈模型,科学高效的区分欺诈者操作和持卡人本人操作,从而提高风险评估模型的效果。
2、按照风险等级实施差异化风险防控。对于风险较大、可疑程度较高的磁条交易,采取精准识别、实时拦截等办法
邦盛科技解读:
差异化风险防控主要分为两方面。
一方面,差别等级的风险交易对银行造成的危害差别,一般如查询类风险并未造成直接经济损失,可直接放行交易,由人工进行核查与管控。对大额盗刷等高危风险交易,需要精准识别并实时拦截交易,以制止给银行或持卡人造成损失;
另一方面,风险模型的准确性也是影响差异化风险防控的因素,对于准确率较高的模型可以执行拦截策略,对于准确率较低的模型,需要人工核查后决定下一步策略。
因此,为了最大程度控制高危风险,减少对客户的打扰,提升客户体验,银行需要实现对风险交易的分级控制。
3、通过交易行为分析、机器学习等不停优化风险评估模型,提高欺诈交易拦截成功率,切实提升银行卡交易安适防护能力
邦盛科技解读:
风险模型准确率是检验整个风控系统防控效果和效率的核心指标。一套准确率高的风险模型可以在不影响正常用户业务使用的前提下,有效拦截风险交易、降低人工核查工作量。
传统风险模型来源于真实案件,且非常依赖业务人员的风控经验。随着技术进步,数据分析和机器学习等工具日趋成熟,已经可以参与到风控模型建设与优化中去。
对于还没有风控模型的银行,可以帮手创建一些有效模型;对于已有模型的银行,可以帮手进一步完善风控模型,显著提高风控效果。
因此,银行需要借助这些工具,不停提高风控模型准确率,最大化发挥风控系统的效果。
解决之道:
为防范金融欺诈风险,需要在每一笔交易、转账、提现等操作进行时,按照用户的各种特征对交易风险进行分析鉴别,同时又要保证不影响用户流畅交易的体验。
在一瞬间(需要小于0. 1 秒)完成“兵来将挡,水来土掩”的风险决策,确保正常交易“如流水般顺畅”,也保证欺诈交易“滴水不漏”才是取胜之道。这种无感知(快速决策)的安适防护需要大数据实时分析技术的支持。
邦盛科技认为,银行需要建立基于大数据分析的银行当地化事中风险防控。
构建全业务中央风控平台
建设一个完整的风险控制体系是个立体工程,平台、产品、模型、数据、技术缺一不成,缺失任何一部分的风控体系就像一个有短板的木桶,降低整体的风控水平,带来了风险漏洞。
邦盛科技认为,银行应该建立一个中央风险防控系统,这样银行可以更加敏捷的应对风险,差别业务间风险数据可以共享,从而有效的识别风险交易。同时,不管是当前业务,还是未来业务,都需要可以接入到中央风控平台中,不会对业务系统和风控平台有影响,这样银行才能对风险事件快速反应。
此外,方案需要安排在银行内部,银行所有的业务数据都不离开本身的系统,才能确保业务数据的安适。
实现毫秒级事中风控
大数据时代,传统的事后和准实时方案,在银行风控反欺诈领域,已无法满足业务发展需求。流式大数据处理技术的出现,突破性地解决了计算瓶颈的问题,使风控系统对海量数据和复杂算法下的处理效率,满足事中风控的要求,也就是风控系统的响应时间满足99.9%的交易在100ms内;
