消费信贷与 BNPL 的反欺诈决策规则

完成准入审核后,可在同一条决策流中加入反欺诈决策规则。消费信贷和 BNPL 业务应覆盖客户身份识别(KYC)核验,以及波动、频次和集中度信号。

规则可分为四类:

  • 真实性核验规则
  • 波动规则
  • 频次规则
  • 集中度及关联网络规则

真实性核验规则

KYC 规则将申请人提交的信息与权威数据源核对,例如国家身份信息数据库。如果所在市场无法自动查询,可通过交叉核验和文件分析来核实信息。

交叉核对以下个人身份信息:

  • 姓名
  • 地址
  • 工作信息
  • 出生日期和地点
  • 身份证件号码

将个人身份信息与身份证件核对。地址可通过其他数据核验,例如配送记录、公用事业缴费记录或地理位置是否一致。

将身份证件号码与失窃证件名单及其他相关黑名单核对。在数据可用时,还应检查号码格式、签发机构和有效期。

还可核查以下信号:

  • 社交网络资料
  • 电话号码
  • 电子邮箱地址
  • IP 地址
  • 银行账号
  • 信用卡号

波动规则

波动指历史观测数据与当前申请信息之间的差异。数据来源包括自身历史贷款组合、征信机构和替代数据服务商。有些变化很常见,例如近期换工作。另一些则值得关注,例如短期内出现多个地址。

波动较大,可能说明有人使用了被盗或合成的身份信息。这些信息看起来合理,却无法长期保持一致。例如,新出现的手机号、首次出现的邮箱域名,或近期开户但没有过往活动记录的银行账户。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。

频次规则

频次用于衡量同一身份在一定时间范围内出现了多少次申请。可按地址、雇主、电话号码、电子邮箱、设备 ID、IP、银行账号或卡号等身份属性计算频次。欺诈团伙会在多份申请中重复使用相同属性。规则还应考虑时间信息,例如

  • 首次出现时间
  • 最近出现时间
  • 平均出现间隔

集中度及关联网络规则

集中度及关联网络规则用于控制欺诈团伙集中在某个地点,或通过身份关系相互关联带来的风险。风险集中可能说明某个漏洞已被利用,随后申请量迅速上升。如果不加控制,可能形成欺诈泡沫,影响贷款组合表现。

可通过地理位置控制降低集中度风险,金融科技领域有时称之为地理围栏。按地区、分支机构、商户或配送点设置阈值,超过上限时触发加强验证。

关联网络规则通过图分析识别共享属性形成的连接关系。可用于建立连接的属性包括地址、电话号码、IP 地址、设备 ID和资金账户。

规则示例:

  • n 度关系范围内违约的贷款数量
  • 同一地区违约的贷款数量

可在决策逻辑中用决策表和规则集实现这些规则,并调用外部 API 完成 KYC、设备和地理位置核查。记录决策轨迹,便于说明每次评估的依据并供审计核查。

常见问题

频次规则应测试哪些时间窗口?

可先测试滚动的 1 小时、24 小时和 7 天窗口,再对照自身贷款组合中的申请模式。较短窗口有助于发现集中出现的协同申请,较长窗口则可能揭示身份信息被缓慢重复使用的情况。还应记录首次和最近出现的日期,因为单看次数可能无法发现活动突然变化。

如何设定身份属性的频次阈值?

根据观测到的申请量和已确认的欺诈情况设定阈值,不要给所有属性套用同一个数字。例如,在多人同住的家庭中,共享设备可能比共享地址更值得关注。比较各个候选阈值附近的通过率和拒绝率,再结合正常复用情况,以及将更多申请转人工审核的成本进行调整。

共享属性何时应触发额外核验,而不是拒绝申请?

如果某个共同属性引起疑虑,但还不足以认定申请存在欺诈,可增加核验。多个申请使用相同地址或 IP 地址也可能有合理原因,因此还要判断它是否与其他可疑属性有关联,以及申请人能否核实身份或资金账户。只有在团队已验证某些属性组合足以构成强欺诈证据时,才拒绝申请。

将反欺诈规则加入决策流之前,应如何测试?

使用拟上线的决策表和规则集回放历史申请,并且只使用每笔申请发生时已经掌握的信息。按申请人群体比较欺诈识别情况、误拒率和人工审核量,再用未参与规则调优的后续时期数据检查结果。记录授信策略版本,并在发布后持续监测结果。

将这些审核规则纳入决策流

制定信贷、反欺诈或催收规则,并用于实际决策。