贷款申请反欺诈检查:哪些申请应转人工审核
您打开一笔现金贷款申请:申请人是受雇于个体经营者的体力劳动者,申报收入却远高于同职业、同学历人群的常见水平。收入与职业不匹配的规则已经触发,案件进入待处理队列,又有一项信息不一致需要决定下一步怎么处理。可以转人工审核,由审核人员花时间核查,也可以判断这条预警还不足以触发审核。单看一笔申请,这种不匹配应占多大权重?
先看申请表能否记录这些矛盾
先在全量数据中检查硬矛盾,再剔除表单会阻止其出现的检查项。入职早于合理就业年龄、家庭信息相互矛盾,都可以作为硬矛盾候选项。但在这家放贷机构的表单中,部分字段由其他字段计算得出,或被限制在边界值,因此这些矛盾没有进入样本。
本文所说的违约,是放贷机构自己的还款困难标记:早期某期还款逾期超过设定门槛,就会被标记。欺诈损失和信用损失都会计入这个标记。同一家放贷机构的数据也见拒绝后的申请一文。
把所有看似合理的矛盾都列入清单,清单可能显得面面俱到,但无法触发的检查不会带来需要审核的申请。在约 310,000 份申请中,有几项矛盾检查的命中数为零。
把候选硬矛盾检查放进规则前,先在全量业务数据中统计它们的触发数。
| 矛盾项 | 标记数 |
|---|---|
| 16岁前开始工作 | 0 |
| 有工作,却被标记为无就业 | 0 |
| 子女数超过家庭人数 | 0 |
| 单身,家庭中有两名成年人 | 0 |
| 已婚,家庭中只有一名成年人 | 0 |
| 14岁前签发身份证件 | 0 |
| 退休人员填写了职业 | 5 |
| 退休人员填写了雇主 | 10 |
这些检查对照的部分字段由申请表计算或设定取值范围。停用申请表会拦住的矛盾检查。
申报收入越高,违约率反而越低
在这批业务数据中,申报收入高于同职业、同学历常见范围,并不是值得转人工审核的理由。应在职业和学历对应的小组内比较收入,对样本量较小的小组使用备用分组,而不是拿全量业务数据中的收入水平作比较。
申报收入为所在分组中位数 3 至 5 倍的申请,违约率为 5.9%,低于全量业务数据的 8.1%。不同阈值下的比率有所变化,但在每个测试阈值下都低于其余申请。在所在分组的第 99 百分位阈值下,随机分成的两半以及每个外部评分三分位组中,结果也都成立。
团队可能会把明显不匹配理解为信息造假,并将申请转人工审核。但在这批业务数据中,收入检查筛出的是违约率更低的申请,方向正好相反。
在这批业务数据中,不要把高申报收入计入转审检查项数量。
用自己的业务数据,按职业和学历分组比较收入。
检验近期信息变更、地址差异和贷款金额比例
在这批业务数据中,得到验证的检查项涉及近期信息变更、地址差异,以及贷款金额相对于商品价格偏高。它们值得进一步测试,因为这些申请的违约率较高,而常见的收入与职业不匹配检查筛出的是违约率较低的申请。
- 近期信息变更。身份证件或登记信息在 30 天内变更的申请,违约率高于其余申请。在变更时间窗口测试中,登记信息在 7 天内变更的结果最明显。
- 地址差异。登记城市与申请人的居住城市或工作城市不同,对应的申请群体违约率较高。
- 贷款金额高于商品价格。贷款金额与商品价格的比值较高时,违约率也较高。六项检查的统计采用第 99 百分位阈值,该阈值在测试比值前就已确定。
每项检查都要选合适的比较范围:收入按职业和学历比较,贷款金额比例按同类产品比较,近期变更则测试不同天数窗口。高风险细分群体工具可用于在可比的小组内设定阈值。
如果因为某个阈值下的违约率最突出就选它,检查项看起来可能比实际更有效。阈值会改变进入审核的申请数量,也会改变这些申请中违约申请的数量。应先确定比较范围和阈值,再看结果。
将每项候选检查与自身可比的申请进行比较后,再决定是否计入。
登记信息在 7 天内变更的结果,与六项检查统计中采用的 30 天登记变更检查项并不相同。
检查结果能否在两半数据和不同年龄组中成立
在依赖某项检查之前,先验证结果的方向和稳定性。某个细分组的比率较高,可能是年龄、贷款期限或针对该组设定的阈值造成的。
在这批业务数据中,半样本对比里展示的检查项,在随机分成的两半中都对应较高违约率。用自己的业务数据检验每项检查时,先在一半数据上设定阈值,再应用到另一半,然后在第二半设定阈值并反向应用到第一半。这样,每个阈值都在未用于设定阈值的另一半数据上接受检验。本文报告的贷款金额与商品价格交叉半样本结果,采用的是在一半数据上设定阈值、再应用到另一半的方式。
将每个被标记群体的违约率,与按其五岁年龄段计算的预期违约率比较。比值接近 1.0,说明表面上的风险上升可以用年龄解释:本例中,车龄相对于成年年限、登记在其他地区这两项的比值均为 1.01。其他检查的比值在 1.18 到 1.59 之间。对于贷款比例检查,还要按贷款金额除以还款金额分组比较,这个比例可用来近似贷款期限。在这些分组中,贷款金额高于商品价格的检查结果仍然偏高。
全量数据的比率看起来可能很有说服力,但如果结果在两半数据中不一致,或提升可以由年龄解释,审核资源就可能被分配给效果有限的检查项。保留在两半数据中方向一致、且经代理因素比较后仍有区分度的检查项。
用另一半业务数据检验阈值是否站得住。
使用反欺诈规则回测工具,在自己的业务数据中检验具体检查项和阈值。
六项检查在各外部评分组内都能区分违约率
在这项测试中,六项检查的统计在每个外部评分三分位组内都能区分违约率,包括评分最高的三分之一申请。这六项检查是:
- 贷款金额高于商品价格。现金贷款金额除以商品价格,阈值设在现金贷款中该比值的第 99 百分位。
- 登记城市与居住城市不同。登记城市不同于居住城市。
- 登记城市与工作城市不同。登记城市不同于工作城市。
- 近期登记信息变更。登记信息在 30 天内变更。
- 近期身份证件变更。身份证件在 30 天内变更。
- 申请当天更换电话号码。记录显示电话号码在申请当天变更。
先检查未通过的检查项越多,违约率是否越高。
| 未通过检查项数 | 申请占比 | 违约申请占比 | 违约率 |
|---|---|---|---|
| 0 | 65% | 57% | 7.0% |
| 1 | 25% | 28% | 9.1% |
| 2 | 8.5% | 13% | 12.0% |
| 3 项及以上 | 1.0% | 2.1% | 16.5% |
未触发任何检查项的申请,违约率为 7.0%。触发三项及以上的申请,违约率为 16.5%。后者仅占申请的 1.0%,因此对应的是一个小群体。
接着在外部评分三分位组内分别检验每项检查和检查项数量。身份证件变更、登记信息变更,以及两个城市差异检查,在三个评分组中的违约率都较高。贷款金额高于商品价格这项检查,在低分组和中间组对应较高违约率,区分度只出现在这两个组。直接比较时,低分组中电话号码变更的违约率与其余申请接近,在中间组和高分组则较高。但在外部评分相同的情况下,电话号码检查没有带来额外区分度。
在评分最高的三分之一申请中,未通过三项及以上检查的申请违约率为 8.2%,未触发检查的申请为 2.7%。前者约为同组未触发检查申请的三倍。在全量业务数据中,加入检查项数量后,区分能力只从 0.717 升至 0.718。
外部评分已经反映了电话号码检查的结果,而贷款金额与商品价格检查只在低分组和中间组显示区分度。按测试方式统计的六项检查,在每个评分组内仍能区分违约率。统计时,两个地址检查项应分别计数。
先在各外部评分组内检验单项检查,再单独评估检查项数量。
根据审核能力设定转审阈值
用检查项数量决定哪些申请转人工审核,并根据团队的审核能力设定阈值。在这批业务数据中,每有一项及以上检查未通过,每 10,000 笔申请约有 3,500 笔需要审核。阈值设为两项及以上,则约有 950 笔需要审核。
取舍很直接:阈值越高,送审案件越少,被筛出的群体违约率也越高。未通过两项及以上检查的送审申请中,87% 最终还款。即使未通过三项及以上,多数申请也仍然还款。
选择违约率最高的阈值,会减少审核量,但也会让更多检查项所反映的风险留在转审群体之外。
选择阈值前,先比较各阈值对应的转审量和还款率。
| 转审条件 | 转审申请数 | 其中违约申请数 | 还款率 |
|---|---|---|---|
| 未通过 1 项及以上 | 3,500 | 350 | 90% |
| 未通过 2 项及以上 | 950 | 120 | 87% |
| 未通过 3 项及以上 | 100 | 17 | 84% |
| 低分组,未通过 2 项及以上 | 460 | 86 | 81% |
| 低分组,未通过 3 项及以上 | 57 | 13 | 78% |
在这批业务数据中,未通过两项及以上检查,每 10,000 笔申请约有 950 笔需要转审。审核人员可以查看哪些检查项触发,以及统计所用的具体信息:身份证件或登记信息的变更内容和日期、登记城市与居住城市,以及贷款金额与商品价格。
用经过验证的检查项筛选转审申请
Robin 的高申报收入触发了收入检查,但 Robin 最终还款,且未通过六项统计检查中的任何一项。Alex 达到了外部评分的通过线,身份证件、登记信息和电话号码都在此前一个月内变更,之后发生违约。
Robin 是体力劳动者,申报收入约为所在分组中位数的 3.1 倍。Alex 属于外部评分中间组,单看评分阈值本会通过申请。两者的区别在于经过验证后保留下来的检查项。
如果自己的业务数据中出现高收入预警,先验证检查项和阈值,再考虑用六项检查统计将未通过两项及以上的申请转人工审核。
- 在全量业务数据中跑一遍硬矛盾检查并统计触发数,停用申请表会拦住的检查项。
- 将其余每项检查定义为是或否,并在查看违约结果前确定阈值。
- 在相关分组或产品内设定阈值,再测试近期变更检查的天数窗口。
- 先看方向,再看强弱。若某项检查对应较低违约率,就从风险统计中剔除。
- 用随机分成的两半数据验证。在一半数据上设定阈值,应用到另一半,再反向验证。
- 将每个触发组与按年龄匹配的预期违约率比较。若贷款金额比例可能反映贷款期限,也要检查贷款期限。
- 在外部评分三分位组内检验每项检查,并识别外部评分已经反映的检查项。
- 按测试方式统计六项检查,并将两个地址检查项分别计数。未通过两项及以上时转人工审核,由审核人员决定是否拒绝。
贷款申请反欺诈检查常见问题
申请人申报收入明显高于其职业水平时,应该如何核实?
将异常偏高的申报收入作为核实收入来源的提示,因为虚报收入是贷款申请中常见的虚假陈述。对照近期工资单、银行流水或经授权的开放银行记录,核查雇主、发薪日期和固定入账记录。如果记录对不上,可通过可信渠道确认就业情况,并请申请人说明差异。
哪些信息不一致适合设置成申请检查项?
先看确实可能相互矛盾的信息,例如年龄与工作年限、学历与申报收入,或就业状态与雇主信息。真实或虚构的信息彼此不匹配,是一种确实存在的欺诈手法。在欺诈审核中,虚报收入也很常见。按职业和学历对应的群体比较收入,再把异常结果作为核实依据,不要直接计入风险分。
申请人近期更换身份证件或地址时,应该怎么处理?
核查变更日期和来源,再将新信息与身份记录、申请历史及申请人申报的其他地址进行比较。若地址近期变更,应检查登记地址、居住地址和工作地址是否相符。对于原因不明的变更,可将申请转人工审核,由审核人员核实记录并请申请人说明。
贷款金额远高于商品价格时,应该如何核查?
核对发票、商品价格、申请贷款金额,以及融资中包含的费用或其他项目。按同类产品比较贷款金额与商品价格的比例,因为产品条款会影响合理金额的判断。如果这些金额仍对不上,可将申请转审,核查交易和证明材料。
如何设定符合团队审核能力的转审阈值?
先用历史申请回测各个候选阈值,再估算正常一周会产生多少转审申请,以及阈值以下还剩多少风险。选择团队人手能够审核的阈值,并将触发预警的申请交给审核人员核实相关信息。只有在核实后的证据或独立的信贷政策理由支持时,才拒绝申请。