在数字技术的支撑下，金融市场的体量和发展潜力被逐步放大。与此同时，其暴露的风险隐患也与日俱增，欺诈现象层出不穷，对传统的反欺诈手段形成极大挑战。

传统欺诈检测主要依赖专家规则，在欺诈隐藏较深的情况下，专家规则准确率较低。随着欺诈手段的日趋多元化，导致银行等金融企业无法应对欺诈行为的持续变化，最终影响实际风险决策的制定和实际业务的开展。

基于历史数据，通过机器学习技术构建的机器学习模型，相较于基于经验的专家规则，可以更精准刻画出风险特征的阈值及之间的组合关系，并从中发掘出一系列很难被传统经验发现的风险特征,从而大幅提升对欺诈案件侦测的准确率和覆盖率。

邦盛科技自2015年就已布局AI技术，并将其应用于金融风控及营销实践中。现在已经有越来越多的金融机构看到了人工智能建设带来的反欺诈价值提升。总体来说，作为国内早期进行反欺诈研究的邦盛科技，基于在金融行业积累的丰富行业经验，研发的机器学习系统及模型已在风险管理、精准营销及个性化推荐领域带来了直观的价值提升。

“适合于场景的机器学习才是有价值的机器学习”，上次以精准营销为例，带来了邦盛科技机器学习在银行多业务场景的“落地开花”案例，本次针对风险监控中常见的操作风险，举两例，看邦盛科技机器学习如何助力金融企业提升风险预测能力。

落地场景：

操作风险-网银转账反欺诈

【场景分析】

该行存在的主要风险为网银盗刷，涉案金额较大，给企业带来了严重的资金损失。同时，该行原有的风控反欺诈模型特征计算方式单一、维度较少，存在大量的信息遗漏，无法进行有效的欺诈预测。原有的风控规则准确率较低，按照规则给出的待审交易数量巨大，容易造成用户干扰，也增加了业务人员的审核成本。

【机器学习价值】

通过机器学习技术，在网银场景训练应用反欺诈机器学习模型，通过智能规则辅助给出解释性反馈，利用历史欺诈数据的行为特征，发现欺诈与非欺诈交易存在的内在规律，从在线申请数据中识别出真正的欺诈案件。

【效果提升】

邦盛科技利用机器学习模型，辅助原有业务经验进行数据梳理及效果应用提升。

在短短几个月内，经过该行与邦盛科技的努力，邦盛银行业务模型在百分百覆盖黑样本的前提下，准确率提升了6~36倍。案件的报警率下降至原先的2.7%-6.6%，每日报警从250笔下降至20笔左右，人工核查成本大大降低；用户扰动率下降至原来的3.5%-10%，从原先的每日扰动170人，下降为15人左右，大大优化了用户体验。

邦盛科技的机器学习模型仅依靠银行的交易数据，便做到了如此出色的效果。

落地场景：

操作风险-线下收单POS渠道交易反欺诈

【场景分析】

在该行POS交易业务场景中，每月会稳定发生一些欺诈案件，交易欺诈的业务范围为该行在所有收单机构POS交易，交易中不仅包含线下店铺实体POS机的交易数据，还包含网络交易数据。欺诈方式多种多样，抓取难度较大。

同时，不同渠道的不同来源，IP和地理位置均有不同程度的缺失，地理位置衍生变量较难提取，为预测未来数据带来一定难度。

【机器学习价值】

该行希望基于历史交易流水数据对未来数据进行预测，观察预测欺诈的准确率、覆盖率、资损、报警等相关指标，同时根据反查逻辑，给出捕捉到的灰样本效果，从而达到弥补规则不足，降低损失，优化客户体验的效果。

【效果提升】

根据消费交易的历史行为特点，发现欺诈交易与非欺诈交易的内在规律，从而在交易发生时判断该笔交易是否为风险交易，并提前阻断这类风险交易。

邦盛科技为该行各渠道建立了反欺诈模型，经比较，模型效果远优于行方原有规则。以欺诈交易作为黑样本，模型命中率提升了9.9%，覆盖率提升了21.4%。同时案件的报警率下降到原先的8.3%，每日报警量下降了3180笔，人工核查成本大大降低，同时降低了用户扰动率，大大提高了用户体验。从资损角度看，使用反欺诈模型，抓到黑样本欺诈金额大大增加，资损率下降了8.23%。

除了以上两个场景，针对操作风险，邦盛科技在申请欺诈、交易欺诈、营销欺诈多业务场景中均有落地方案，并在实际应用中有良好的效果。

凭借优异的模型精度无损化上线方案及高解释性智能规则方案，邦盛科技机器学习反欺诈模型可有效产出高精确率、高覆盖率及一定解释性的模型，充分利用海量历史数据，可全方位提升目标用户的识别能力，有效降低误报率和漏报率。在实际应用中，随着机器学习模型与专家规则的深入结合，邦盛科技将为银行等金融企业节省大量人力成本和运营投入的同时大幅度减少欺诈案件的数量。