欺诈风险高效精准识别一直是风险反欺诈从业者终身为之努力的方向。得益于现在大数据技术的发展，图模型等技术不断在欺诈识别中得以应用，用于发现潜在的欺诈对象，及时防范于未然。

除了反欺诈数据模型之外，科学合理的欺诈风险监控体系的建立，对于欺诈风险的识别仍有较大的帮助。

相较于图模型、关系网络等复杂模型技术对数据样本、计算系统的依赖，反欺诈监控报表体系反而更适用于科技实力较弱的中小型金融机构、城商行。

接下来，我将从业务层与系统层，为读者朋友们分享一些反欺诈监控体系的设计思路。

业务层监控

变量异常监控

数据获取是金融机构设计风险策略、开发模型的基础，对于核心变量异常监控可以有效的防止因核心数据缺失而造成的风险规则、模型无法迭代上线，甚至影响业务发展。变量异常监控可以从三个主要维度进行监控设计：变量缺失率、爬取成功率、变量分布。

举个例子，反欺诈策略中“近7天同一IP地址申请订单数”这一规则，我们需要在前端进件系统抓取客户申请时的IP地址。如果在近期的变量异常监控报表发现，大量客户申请的IP地址在一些时间段经常发生爬取失败现象，数据未能及时入库。此时就应该及时与研发部门沟通修复，特殊情况甚至需要策略应急调整，下架“近7天同一IP地址申请订单数”这一规则。

交叉验证异常监控

从数据验真的角度，我们需要在反欺诈监控体系中设计交叉验证这一环节。比如归属地、地址所在城市交叉验证、单位信息交叉验证，以便我们可以利用最真的数据进行策略分析及建模。

交叉验证不仅是客户信息的验真，还可以是多维度集中度的异常监控。

举个例子，欺诈风险的爆发一般具有集中性，所以在贷前反欺诈策略中会设计“集中申请“型规则，比如”近24H同一GPS地址不同IP地址的申请订单数“。在设计反欺诈监控体系，同IP、单位、设备等集中度监控是不容忽视的一环。

各环节流量异常监控

参照用户一次借贷的行为轨迹，大致分为登录-注册-填信息-提现四个环节。通过监控每个环节的流量，可以分析出转化率、批核率等风险指标。当某时期风险指标波动超过正常范围时，可以进行异常情形特殊处理，避免风险集中爆发。

同时，各环节流量监控也可以帮助运营部门进行产品运营分析，优化前端客户体验，降低风控征信成本。

高风险规则监控

高风险规则包括拒绝规则、人工规则、豁免客户规则等，对于高风险规则的监控，主要从命中占比变化角度进行监控。

流程异常监控

流程异常监控主要涉及人脸识别异常监控、登录异常监控、密码修改异常监控、非常理进件监控。其中人脸识别异常监控可以分为无人脸、人脸评分低于阈值或0分、人脸识别失败次数异常；登录异常监控主要用于监控短时间内登录失败次数过多的异常情况；密码修改异常监控主要监控短时间内多次修改登录密码和短时间内多次修改支付密码。

系统层监控

系统层的反欺诈监控体系主要涉及数据源调用和变量准确性监控。数据源调用可以监控短时间内调用失败数量等，生成数据源调用日报表。变量准确性监控从新增变量、已有变量两个角度进行准确性、稳定性的监控。

最后，为读者朋友们分享整体反欺诈监控体系（亦可以是整个风控监控体系）的设计框架，大家可以根据自家业务需要进行优化调整。