夜间贷款申请的反欺诈检查要结合历史记录

现在要开启一条规则:所有在午夜至凌晨五点之间开始的现金贷申请都转人工审核。夜间名单已经渐渐成形:一笔周六开始的申请正好落在时间窗口边缘,另一笔周四开始的申请则落在更早的夜间时段。时间界限很清楚,配置起来也直接,但进入审核队列的会是工作日和周末实际申请借款的人。您要判断的是,申请开始的时段是否足以单独触发反欺诈审核,还是还要结合团队已经参考的其他信号。规则还没有开启。

夜间申请的原始违约率较高

先看未调整的对比结果,在弄清差异代表什么之前,先不要启用夜间规则。这是再次申请案例中的同一家放贷机构,名称和产品均已更改。该机构的样本包含约 310,000 笔当前现金贷和循环贷款。对比中的每位客户都有一笔当前贷款。违约是该机构根据这笔贷款上的还款困难情况设置的标记,欺诈损失和信用损失在这个标记中没有区分。

首先要看午夜至凌晨五点提交的申请,违约率是否高于全体其他申请。

按申请时段统计的当前贷款违约率柱状图,凌晨 5–7 点高于全样本的 8.1%
各申请时段的违约率,清晨最高,傍晚较早时段最低

未调整的对比结果确实如此:夜间申请的违约率为 9.6%,其他申请为 8.0%。在随机分出的两组样本中,以及外部评分的三个分组中,这一差异都存在,因此申请时段看起来值得进一步核查。

申请时段很容易配置,因此看到这一差异在不同样本中都存在后,直接把它写进规则并不难。但这里衡量的是当前贷款上的还款困难标记,其中既有欺诈损失,也有信用损失。按原始违约率设置的规则,会仅凭还款困难就把客户转人工复核。先检查申请时段是否还代表了其他因素。

地区差异解释了夜间申请的高违约率

夜间申请中有三分之一来自评级最差的地区,而该地区只占全样本的 14%。来自评级最好的地区的夜间申请几乎没有。

在把夜间违约率看作各地通用的风险信号之前,先比较不同地区的申请时段分布。

各地区申请时段占比折线图,阴影部分为 0 至 5 点的夜间时段
评级较差地区的申请时段整体更早

评级最差地区的申请集中在比评级最好地区早几个小时的时段。记录中的申请时间是近似时间,具体依据哪一个时钟并未说明。地区对比显示了样本中申请时间的分布差异,但无法确定记录的时间对应哪个时钟。

接下来,按客户所在地区、外部评分和产品计算预期违约率,再与夜间申请的违约率比较。

各组夜间申请的违约率都较高,从高评分组的 3.8% 对 3.0% 到低评分组的 16.1% 对 15.2%
按地区分组后,夜间和白天的违约率接近

夜间申请的违约率为 9.6%,全样本其他申请为 8.0%。控制地区、评分和产品后,调整后的违约赔率为 0.99。在中间评级地区,夜间和白天申请的违约率几乎相同。地区构成解释了原始数据中的差异。

全样本违约率容易查看,结果也显得明确,因此团队常用它作基准。但这样会把客户送去审核,依据的却是地区和评分已经包含的信息。应将各时段的违约率与按地区、评分和产品计算的预期值比较。

傍晚和星期模式提供的信息有限

傍晚时段的违约率较低,各星期的违约率也相近。保留按时间设置的规则前,还应检查结果是否指向相反方向。

17 至 20 点提交的申请违约率为 6.7%,其余申请为 8.2%。晚间申请中,来自最佳评级地区的申请占有较大份额。控制地区评级、评分和产品后,晚间违约率接近预期水平。

团队可能会把傍晚违约率较低解读为时间能够区分低风险和高风险申请。但在这组数据中,不同时段的地区构成有所变化,因此应在调整后,将傍晚时段的违约率与预期水平比较。

还要检查星期分布,以及不同星期和申请时段组合的违约率。

按星期和申请时段统计的当前贷款违约率热力图,申请量少于 300 的单元格留空
各星期和申请时段的违约率,星期间差异不大

各星期的违约率相近,按星期和时段细分后也没有提供多少额外信息。许多单元格中的申请量太少,难以得出可靠结论。样本记录了星期,但没有日历日期、月份或每月日期,因此无法检验月末销售冲量模式。

增加按时间设置的规则会让更多案件进入审核,但这些对比结果没有提供足够依据。就这组数据而言,不应再将一天中的时段或星期作为转人工复核条件。

历史申请记录呈现出更明显的模式

控制其他因素后,当前申请的时段以及客户历史申请中的时段变化提供的信息有限。相比之下,多笔历史申请在同一天作出决定,呈现出更明显的模式。

对有历史申请的客户进行调整后,历史申请中出现夜间时段或申请时段大幅变化,都没有显示多少信号。申请时段跨度达到 12 小时或以上的情况确实成立,但很少见。相比之下,历史申请中有 3 笔或以上在同一天作出决定的客户,违约率为 9.8%,其他客户为 7.9%,而且这一模式在随机分出的两组样本中都成立。

团队可能会把同一天的多笔申请看作彼此独立的申请。但在这组数据中,这类同日申请大多经过放贷机构的营业网点,通常包括在同一决策日提交、取消、拒绝或重新填写的申请。记录包含决策日期,因此可以识别历史模式,但无法知道客户实际填写了几次。

集中申请期间的申请时段跨度提供的信息有限。若繁忙的一天结束时没有任何申请获批,风险信号会更明显。

柱状图:同一决策日有 1 笔历史申请时,当前贷款违约率为 7.5%,有 5 笔或以上时为 10.1%
同一决策日的历史申请笔数越多,违约率越高

实际分析时,重点应放在历史决策记录上,尤其是没有任何申请获批的集中申请。使用申请频次分析工具,根据本机构的样本检验这些历史记录检查项,并将决策日申请笔数与短时间窗口内的申请笔数分开统计。

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。

历史记录检查项在各评分组中区分违约率

按四项历史记录检查中未通过的项数分组,外部评分的每个三分位组内,违约率都有差异。四项检查分别是:同一天作出决定的此前申请达到三笔,最繁忙的一天有两笔或以上申请且没有获批,距最近一次此前申请的决策不超过三十天,以及此前申请的开始时间相差十二小时或以上。

短间隔检查只在低评分组成立。同一决策日多笔申请的模式在每个评分组都成立。合并计算这 4 项检查后,三个评分组的违约率都随检查项数量增加而上升,不过这些检查只让曲线下面积增加了 0.001。

未通过的检查项数客户占比低评分组中评分组高评分组
072%14.2%5.9%2.9%
119%17.3%6.2%3.7%
2 项或以上8.7%18.8%7.1%3.9%

团队可能因为整体排序能力提升不明显而弃用某项检查,也可能把所有看似有用的时间特征都加进规则。这里,时间项数量对排序能力的提升有限,但在各外部评分分层内能区分违约率。时间项数量可用于转交复核,短间隔结果则只适用于低评分层。

统计每位客户符合的检查项数量,再分别在随机分出的两组样本和外部评分的各组中验证这一计数。

门店夜间申请占比未通过后续贷款检验

较早时期的数据不能支持在这组样本中按门店设置转人工复核规则。门店的夜间申请占比与使用该门店的客户构成有关,其中包括客户所在地区。将这一模式与后续贷款表现对照后,结果并不成立。

按门店夜间申请占比排序,看起来容易据此采取行动。但在较早时期的检验中,控制产品和决策时段后,原始差异发生了变化,所有受检验的门店模式都未达到给定的显著性阈值。

门店转人工复核会占用审核资源。如果某种模式经后续表现检验后并不成立,就没有可靠依据据此安排审核优先级。采取行动前,应使用较早时期的数据检验门店层面的时间模式,再观察后续贷款表现,并控制产品和决策时段。

依据经过验证的历史记录计数转人工复核

可将经过验证的历史记录计数作为转人工复核的依据。每 10,000 名有历史申请的客户中,夜间规则会转介约 250 人,覆盖 2.9% 的违约客户。同一天有 3 笔或以上历史申请作出决定的规则,会转介约 1,600 人,覆盖 19% 的违约客户。按这项规则转介的客户中,约 90% 最终还清了贷款。

研究将这 4 项历史记录检查与违约结果进行了对比,验证后的计数可以用于将客户转人工复核。将处理结果设为转人工复核,并在决策中保留评分和其他信息。

案例会回看开篇提到的申请,也会分析 Lee。Lee 下午提交的申请通过了评分门槛。

转人工复核条件转介人数违约人数已还清占比
夜间申请2502490%
同一天有 3 笔或以上1,60016090%
时间检查项计数为 2 项或以上8709789%
低评分3,40052085%
低评分,同一天有 3 笔或以上59010082%
低评分,时间检查项计数为 2 项或以上3606881%
客户案例:Dana 违约,Sam 还清贷款,Lee 在同一天有 4 笔申请被取消后未通过 3 项时间检查
两名夜间申请客户和一名白天申请客户,经历史记录检查后结果不同

Dana 周六凌晨五点提交申请,后来发生违约。Dana 所在地区的评级和外部评分已反映出夜间申请的风险,Dana 不符合任何一项通过验证的时间检查条件。Sam 周四凌晨四点提交申请,之后还清了贷款。Lee 下午两点提交申请,虽然通过了评分门槛,但此前有四笔申请在同一天作出决定,且全部被取消。历史记录检查识别出了 Lee。

  1. 比较各地区客户的申请时段分布,评估按时间设置的规则会覆盖哪些地区构成。
  2. 将各申请时段的违约率与按客户所在地区、外部评分组和产品计算的预期值比较。
  3. 检查傍晚时段和星期分布。如果夜间、傍晚或星期数据没有提供额外信息,就不将它们用于转人工复核。
  4. 从当前申请的时段转向客户的历史申请记录进行检验。
  5. 建立 4 项检查:同一天有 3 笔或以上历史申请作出决定,最繁忙的一天有 2 笔或以上申请且没有任何一笔获批,距离最近一次历史决策不超过 30 天,以及历史申请的开始时间相差 12 小时或以上。
  6. 统计符合条件的检查项数量,在随机分出的两组样本和外部评分的各组中验证计数,并将短间隔的结论限定在低评分组。
  7. 使用较早时期的数据检验门店层面的时间模式,并与后续贷款表现对照,同时控制产品和决策时段。
  8. 将符合 2 项或以上检查的客户转人工复核,并把时间检查项计数作为复核信号。

关于申请时间反欺诈检查的常见问题

夜间申请是否应该转人工做反欺诈审核?

如果申请时间对该渠道或客户来说比较少见,可以将夜间时段作为转人工复核的触发条件。作出决定前,应核查身份、设备和联系方式。脚本化攻击可能会在夜间批量提交申请,因此可以按设备、电话、地址和身份信息比对关联申请。还要确认不同渠道的时间戳采用一致的时钟和时区。仅凭申请时段设置门槛并不可靠。

客户在异常时段提交申请时,应如何调查?

使用同一时钟基准,将本次申请时间与客户的历史申请时间比较。如果时段变化很大,应核查身份信息、设备记录和联系方式是否一致,并检查这些信息是否与其他申请相关联。将异常时段作为开展这些检查的理由,不要仅凭这一点拒绝申请。

应测试哪些申请频次窗口和阈值?

可以先测试 15 分钟、1 小时和 24 小时的滚动窗口。按电话、设备、地址或身份信息关联申请,并计入已取消、已拒绝或重新填写的申请,再比较发现的已确认欺诈与被转介审核的正常申请。阈值应结合审核能力设置,并将短时间窗口内的申请计数与同一天作出决定的申请分开统计。

如何检查门店或代理是否在月末出现欺诈高峰?

将每个月最后几天的申请量和已确认欺诈情况,与同一门店或代理此前时段的数据比较。控制产品和决策时段,再调查异常集中申请中的关联身份、设备和联系方式。销售压力可能造成真实的申请高峰,但申请人构成变化也可能造成类似现象。根据这一模式安排转人工复核前,应先检查后续结果。

如何在启用基于时间的反欺诈规则前进行验证?

先用一个时期的数据设定阈值,再用未参与阈值设定的后续申请进行检验。衡量转介的已确认欺诈、转介的正常申请和审核量,并在不同评分、地区和产品组中比较结果。常见错误是把还款困难当成欺诈结果。只有后续欺诈结果足以支持审核投入时,才保留这项规则。

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。