顶象：如何防范信用卡套现、非法提额、薅羊毛
近日,央行发布的《2018年第一季度支付体系运行总体情况》显示,截至第一季度末,全国各金融机构共发行信用卡和借贷合一卡共计只有6.12亿张。信用卡对鼓励消费、扩大内需的作用尚未得到充分发挥。为了抢夺这个巨大的市场,各家银行也是使出浑身解数,积极抢夺线上、线下生活、支付场景,发力移动支付,融入共享经济,衣食住行各个环节一个都不放过,并积极与互联网巨头合作。比如,银联推出云闪付,加快布局公交地铁、菜场、餐饮、超市便利、公共缴费等场景,开始全面布局便民移动支付服务。各行业加大自己移动端的推广等,包括工银E生活、招商掌上生活、交通银行买单吧。
信用卡三大新风险:变造交易套现、非法提额、营销薅羊毛
在飞速发展的同时,信用卡也暴露出了新的问题。《2018年第一季度支付体系运行总体情况》数据显示,信用卡逾期半年未偿信贷总额达到711.48亿元,而在2010年这一数字仅为76.89亿元。也就是说,8年期间,信用卡逾期增长了8倍。
在6月1日的一次金融论坛上,交通银行信用卡中心总经理王卫东先生表示,信用卡未偿还余额增长过快,市场风险有所提升。
“现在我经常要翻销售队伍(信用卡业务员)的办公包,看看里面有没有POS机。按理说,我一个信用卡发卡的单位为什么要检查POS机呢?销售员说POS机很方便啊,号称‘万户侯’,但是这个危害特别大”。
王卫东先生说,本来一个POS机对应一个商户,现在1台POS机内置10种行业,每个行业可选1000多个商户,可以轻易的模拟出20倍、甚至100倍的的虚假交易场景。而且这些商户信息定期更新、自主选择交易通道。这已经形成一套完整的产业链:上游提供收单机构(提供交易程序和通道)、终端厂商(提供硬件),到中游的外包服务商(灌装密钥程序,推广销售),下游就是各种套现(专业羊毛党、洗钱客)等。他进一步表示,交通银行信用卡上半年在内部发起了一场“雷霆行动”,凡是发现直销人员有POS机的直接开除。
现场,王卫东先生总结了当前信用卡市场存在的三大风险,并表示如果不加以防范,这些问题会直接带来金融风险。
1、变造交易套现并非法挪用。通过POS机套现产业链,使得商户和交易信息完全失真,传统的监管措施无法进行监测,银行的传统风控措施失效,从而让不法分子进行轻松套现。被套现的资金被低成本的转移到了现金贷,甚至流入了房地产、理财投资等。
从去年开始监管部门对现金贷的资金走向特别关注,反复检查各家机构的现金贷规模走向,但是依旧产生了大量套现交易。数据显示2017年,某大型银行年度现套现额达1000亿元,而去年非法套现超万亿元,接近全行业持牌机构的现金贷规模。现金贷风险相比传统的分期业务、消费信贷完全不同,所以去年居民杠杆率快速攀升也与此有关。因此,信用卡套现风险与监管机构防止居民杠杆率的过快增长的愿景是相违背的,极易引发系统性金融风险。
2、非法提额,过度授信。发卡行通常根据客户消费习惯制定授信额度,但是如果交易情况失真,额度控制就会完全失效。例如,近日某全国性商业银行交易信息的失控,导致部分不符合标准的用户短时间内提升6-10倍。通过变造交易场景,粉饰消费行为,把坏人伪装成优质客户,从而扰乱银行的客户额度策略,产生过度授信。过度授信就会加大居民杠杆,导致风险急剧加大。
3 、薅羊毛影响机构正常经营。当前银行卡和支付机构经常在指定的行业开展营销活动,以此促进消费,回馈客户。但是借助可变造交易的POS机终端,“羊毛党”可以轻易改变活动规则定制交易场景,恶意套取营销奖励。近年来几乎所有支付机构及银行开展的信用卡营销活动都遭受到了“羊毛党”的危害,预计每年受损金额以数亿计。而且部分“羊毛党”非法组织煽动群众恶意维权,引发了社会问题。
王卫东先生表示,这些问题的造成,就是因为交易信息不真实、商户信息失真,进而导致银行风控模型失效。站在行业发展角度,他提出对收单机构和终端厂商加强监管和行业自律的多项要求:加大监督检查力度,发挥产学研行业的力量和智囊决策效用,制定行业自律公约等措施等。
防范风险的三个技术:实时决策系统、机器学习模型和大数据风险画像
顶象技术一直在通过为银行客户建设的支付收单反欺诈解决方案,帮助银行采用大数据风控手段提升对变相套现、非法提额及薅羊毛的欺诈识别能力,有效控制潜在风险。
顶象的实时风险策略系统、机器学习模型决策平台以及风险深度画像等技术能够良好防范上述信用卡的欺诈风险,“这些技术都是基于顶象与黑产多年实战对抗的经验,在交易欺诈识别中具有更强的实战效果,而且运用了人工智能支撑的关联图谱分析实现的深度画像这柄利器”,顶象技术首席科学家施亮表示。
顶象深度画像技术是基于对支付和收单的终端实体包括用户维度的银行卡、商户维度的POS设备以及围绕交易过程的所有维度要素及各类衍生变量的有效组织,来构建不同维度上的行为序列、关系网络等的更抽象的表征,在保留数据自身信息的基础上,进行复杂关系的数据挖掘并通过深度网络等算法进行学习训练,最终产出对终端实体和行为动作的分类聚类、异常检测等判别能力,并与基于历史经验的反欺诈规则策略集综合使用,从而达到对套现、非法提额及薅羊毛等行为的更强识别。
举例来讲,对于经常进行变相套现或是伪造交易行为的银行卡或是商户设备来讲,即使混杂了一定量的正常交易订单,其行为仍然与正常交易的银行卡和商户设备存在着一定的行为与关系网络上的差异,虽然这种差异较难用一般的行为解释来衡量,但通过深度画像技术,是可以进行群体区隔和异常分类的,顶象在此前的交易反欺诈实践中已采用此方式发现了传统规则类及机器学习方法所无法识别的风险终端。
风险关联图谱则是通过与顶象及合作伙伴多年积累的跨行业多维度黑产数据间的关联线索来识别疑似恶意的行为,其基于的机制也是对于套现、交易伪造(即养卡)和薅羊毛的行为存在着群体聚集或是某些维度数据间的潜在关联的判断。