决策引擎在支付行业的反欺诈应用

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了决策引擎在支付行业的反欺诈应用相关的知识,希望对你有一定的参考价值。

批准还是拒绝

收到交易请求 - 以在线支付方式购买价格为1500元的手机。批准还是拒绝?

 

某全球大型在线支付公司每天都处理上万笔类似的请求。金融支付与科技创新深度融合,支付产品及场景更加丰富,支付更加简单、安全、方便。为了使服务体验不断优化、支付安全更有保障,在线支付平台与支付网络欺诈始终在进行着无休止的博弈。据《2016年国内银行卡盗刷大数据报告》不完全统计,运营商×××数量超过1.3亿张,网络诈骗“黑色产业”市场规模高达1100亿元,已成为中国第三大“黑色产业”。

 

在线支付的痛点

在线支付业务反欺诈主要面临以下需求或痛点:

1. 欺诈模式层出不穷。网络支付中的主要欺诈方式有木马、盗号、盗刷、假币、虚拟交易、信用卡套现、伪造卡、钓鱼网站等手段。受害者贯穿各个年龄段、各种学历,涉及范围广、数额非常巨大。反欺诈模型需要不断适应新的欺诈模式。

技术分享图片 

2. 在线交易数据量大。由于在线支付的便捷性和灵活性,越来越多的交易采用在线支付的方式进行支付。移动互联网的普及加速了这一趋势。大型在线交易平台每天需要处理上亿笔交易。

3. 实时性要求高。收到交易请求后需要在几秒内快速做出判断,给出反欺诈结论。

4. 规则需要快速迭代。一旦发现反欺诈系统的漏洞,需要在极短的时间内修复。规则修改要快、规则验证要快、规则的发布也需要加快。

 

决策引擎解决方案

对于进入系统的交易请求,该在线支付平台采用了世界上最先进的反欺诈技术和模型来处理,并使用SparklingLogic决策引擎帮助支付反欺诈流程的执行。 

 

决策引擎针对该在线支付平台遇到问题的解决方案:

1. 大数据智能预测。利用特有“蓝笔模式的机器学习技术,基于消费行为的大数据分析,智能预测和防范欺诈交易。命中率、捕获率都达到96%以上,与传统的规则相比,主要指标都得到了明显提升。

技术分享图片 

2. 模型快速迭代。模型可以自学习,自动化优化预测模型,进而应对不断变化的欺诈模式。每日自动训练、自动更新反欺诈模型,模型的迭代频率从以周为单位提高到以日为单位。

 

平台使用了智能决策引擎的解决方案后,参与解决问题的人数从20+人减少到不到5人,解决问题的周期从2周变为1天,每日减少欺诈损失达百万美元:

 

使用引擎前后的对比:


使用引擎前

使用引擎后

参与解决问题的人数

20+

少于5

解决问题的周期

2周

1天

 

使用决策引擎大大提升了该公司的反欺诈流程执行效率,降低了风险损失率。目前,该支付公司已经在全球190个国家和地区,有超过3亿用户,2016年在线交易额超过3400亿美元。该平台具有业界最低风险损失率(仅0.27%),不到使用传统交易方式的六分之一。


以上是关于决策引擎在支付行业的反欺诈应用的主要内容,如果未能解决你的问题,请参考以下文章

智能风控决策引擎系统架构设计与开发实践

科普文:银行业9大数据科学应用案例解析!

贷前风控策略审批及决策引擎——策略审批架构搭建

drools 决策引擎介绍开发

风控决策引擎——决策流路径规划

决策树和规则引擎 (Drools)