各位兄弟们大家好，今天来跟大家讲一下解析现金贷反欺诈手段及防控策略研究「现金风险的防范」，让我们一起来看看吧。
近两年来，类似“在线申请，资料简单，急速放款，无需抵押”的宣传小广告随处可见，可见消费金融越来越受到互金业界和资本青睐。尤其是小额现金贷业务，满足了用户的短期资金借贷需求，从线下一直火爆到线上。
目前，现金贷高利润与高欺诈并存的业态引发了不少的争议。
现金贷到底是个什么业务
现金贷(国外称为Paydayloan即发薪日贷款)是一种小额短期借贷产品，其额度在1000元以下，年化利率平均在50%-200%之间，借款期限集中在7-30天。据不完全统计，目前国内的小额现金贷平台已有上千家，大体上可以分为几类：
互联网系：以微粒贷、京东金条、蚂蚁借呗为代表，资金实力比较雄厚，内部流量转化获客成本低;
垂直平台：以手机贷、闪电借贷、现金巴士、工资钱包、量化派为代表，主要针对细分人群，获客及资金成本相对较高;
消费金融系：以苏宁消金的任性借、捷信消金的福袋为代表，基于目前分期业务扩展，资金来源广、成本低;
银行系：目前很多银行推出自有现金贷产品，如包商银行有氧贷、幸福金，产品大多针对行内白名单客户，利率普遍较低，客群与其他现金贷产品差异显著。
与一般的消费金融产品相比，现金贷主要具有以下五个特点：额度小、周期短、无抵押、流程快、利率高，这也是与其借贷门槛低的特征相适应的。
现金贷的目标客户群主要有以下几个特点：收入和学历普遍偏低，月收入大部分集中在2000到3000元;信贷记录较差，大多数人不能通过银行借贷审核，甚至没有个人信用记录，多为无卡人群;所需借款金额从500到5000元不等，主要集中在1000-2000元;共债比例很高，据前海征信的常贷客产品扫描结果显示，现金贷申请者共债比例超过60%，借贷次数平均在6次左右。
欺诈手段的多元化、技术化、互联网化
欺诈与反欺诈一直以来都是借贷行业的主要矛盾体之一。随着线上贷款业务的迅速发展，基于信息技术的线上骗贷行为也愈演愈烈。当骗子们也开始玩大数据、机器学习的时候，可想而知，很多风控人员的内心是崩溃的。
例如,手机验证是目前最常用的线上审核方式之一。它包括两种形式：短信验证码和填写运营商服务密码。但是这种方式对于诈骗团伙而言也是有机可乘的。因为他们有一种技术装备——猫池。简单地理解，它就是一台具有收发短信功能的“n卡n待”的简易手机。一台电脑可以连接多台猫池，一台猫池又可以插入8-64张SIM卡。与之伴随的，又有所谓的“收卡”、“养卡”业务。当号码时间达到一定标准了，就有可能通过手机验证这一反欺诈手段。
除此之外，一些模拟器的使用可以帮助诈骗分子轻松修改手机的IMEI、MAC、IP、GPS等设备及环境信息。在这一层层的伪装与包裹之下，利用设备及环境信息的反欺诈手段就显得有些苍白无力了。而且，有些个人信息，如身份证信息、社交账号、银行卡账号甚至U盾等都可以在网上被诈骗团伙买到或者用搜索引擎搜到。很多时候，一些反欺诈手段的有效并不是因为其无法被破解，而是因为破解成本较高，导致欺诈团伙放弃了这种方式。
用户体验与反欺诈的矛盾
在现金贷的用户眼中，用户体验反映在借款的快捷程度和申请的简易程度上。但是反欺诈需要用户提供各种各样的个人信息，大大降低了用户体验的质量。
在过去，许多平台奉行“高收益覆盖高风险”的原则，过度重视流量。而且市面上的现金贷产品五花八门，不少平台为了保证流量，纷纷打出“只需身份证和手机号”、“申请后XX分钟放款”之类的标语。
然而，随着监管趋严，“高收益、高坏账”的运营模式将渐渐被淘汰。为了控制坏账，现金贷平台不得不再度面对用户体验与反欺诈的对立问题。一方面，平台需要优化反欺诈模型，尽可能降低入口数据的维度，缩短风控模型的审核时间；另一方面，从客服、还款简便程度等其他角度优化用户体验，也是缓解用户体验与反欺诈矛盾的可行方法之一。
现金贷风控到底怎么做？
通过与现金贷相关从业人员交流后发现，各家现金贷公司风控流程不尽相同，但总体来说，现金贷风控流程可以分为四个阶段：黑名单，风控规则，反欺诈网络，风控模型。小编主要介绍一些常见的风控规则供参考。
(1)勾稽比对
勾稽比对是会计行业的一个常用术语，在风控中主要指利用多维度数据进行逻辑对应关系检验的方法。
举例来看：假设用户填写的“收入水平”为变量A，“工作地点”为变量B，申请时IP地址的“所处区域”为变量C。从A B的维度来看，倘若用户填写的A月收入有数万元，B却显示在某个偏远山区的修车厂工作，我们或许应该怀疑用户虚报收入。若从B C的维度来看，倘若B变量显示用户工作地点在北京，C却显示申请时IP地址在云南，或者频繁更换IP地址去申请，我们或许应该考虑金融欺诈的风险。若结合A B C的维度来看，若B变量显示客户在北京国贸工作，A变量显示月入10000元，IP地址、申请地点都在北京，通过三个变量数据的交叉验证，可以初步推断申请人是常住北京的中等收入白领。倘若再增加更多变量例如填写手机号码常用通话地点等，就能从更多的角度验证出数据的可靠性。
(2)交叉检验
交叉检验与勾稽比对有细微差别，但两者都是利用多维度数据对用户真实性和可靠性进行验证的方法。
这里只简单举个例子，例如申请人提供了工作单位地址，但用外部数据验证结果显示该单位不再这个地址，那该用户可能存在欺诈风险。
(3)强特征筛选
有一些变量在风控的考量中占有较大的权重，例如多头借贷次数，该次数较高意味着用户存在严重的多头借贷情况严重，有较高的违约风险。
拿通付盾风险决策系统验证结果举例，命中反欺诈规则的借贷客户信贷逾期风险是普通客户的3~4倍。较常见的强特征变量有其他信贷机构的通话记录、访问记录等。
(4)风险关系
风险关系主要验证与申请人相关联个体的信息。例如，该申请者通讯录中是否存在较多被列入黑名单的联系人，该申请人的生情电话或IP是否曾被另外的申请者使用过等。
(5)用户的行为数据
用户的行为数据也可以很好地用以鉴别金融欺诈。
例如通过运营数据统计显示，在凌晨3点左右申请贷款的用户的信用风险更高，这可能因为很多欺诈者对智能信贷不熟悉，错误地以为凌晨无信贷员审批，防御薄弱的突破口。
此外，申请时多次修改填写资料的用户可能存在信息造假，因为普通人通常不会频繁记错自己的私人信息。这些独特的用户行为数据一定程度上也能甄别风险，反应用户信用。
需要指出的是，在整个风控流程中，要注重风控和用户体验之间的平衡。若一味强调风控会导致数据需求过多，风控模型过于复杂，从而降低授信速度。同时，需要用户提交资料过多也会增加用户流失风险，在建立风控流程的过程中需要谨记的一点是风控的最终目标是最佳的收益风险比。
(6)差异化定价
差异化定价，也可以理解为精确定价。现金贷的差异化定价的实质是对各个贷款申请人的信用及欺诈风险作精确定价。
目前各个现金贷平台的定价标准都过于单一，基本采用利率加杂费的方式。部分平台对于续贷用户会做费率调整。也有少数平台会参考贷款人申请时提供的个人信息维度。不过总体而言，当前的定价标准并不适合未来现金贷行业“低费率”的特征。平台之间所谓的价格优势将微乎其微。而精确定价下的定制化小额贷款需求可能会成为平台的亮点。
而大数据风控模型的构建为差异化定价的实现提供了技术保证。以大量的网络行为数据、用户交易数据、第三方数据、合作方数据等为基础，通过自然语言处理、机器学习、聚类算法等，模型能够为每一位贷款申请者创建包括个人基本信息、行为特征、心理特征、经济状况、兴趣爱好等在内的多维度数据画像。凭借着这些维度特征和大量历史贷款记录，针对不同贷款人、不同额度、不同期限的差异化定价策略将成为现实。