決策引擎在支付行業的反欺詐應用
收到交易請求 - 以在線支付方式購買價格為1500元的手機。批準還是拒絕?
某全球大型在線支付公司每天都處理上千萬筆類似的請求。金融支付與科技創新深度融合,支付產品及場景更加豐富,支付更加簡單、安全、方便。為了使服務體驗不斷優化、支付安全更有保障,在線支付平臺與支付網絡欺詐始終在進行著無休止的博弈。據《2016年國內銀行卡盜刷大數據報告》不完全統計,運營商×××數量超過1.3億張,網絡詐騙“黑色產業”市場規模高達1100億元,已成為中國第三大“黑色產業”。
在線支付的痛點
在線支付業務反欺詐主要面臨以下需求或痛點:
1. 欺詐模式層出不窮。網絡支付中的主要欺詐方式有木馬、盜號、盜刷、假幣、虛擬交易、信用卡套現、偽造卡、釣魚網站等手段。受害者貫穿各個年齡段、各種學歷,涉及範圍廣、數額非常巨大。
2. 在線交易數據量大。由於在線支付的便捷性和靈活性,越來越多的交易采用在線支付的方式進行支付。移動互聯網的普及加速了這一趨勢。大型在線交易平臺每天需要處理上億筆交易。
3. 實時性要求高。收到交易請求後需要在幾秒內快速做出判斷,給出反欺詐結論。
4. 規則需要快速叠代。一旦發現反欺詐系統的漏洞,需要在極短的時間內修復。規則修改要快、規則驗證要快、規則的發布也需要加快。
決策引擎解決方案
對於進入系統的交易請求,該在線支付平臺采用了世界上最先進的反欺詐技術和模型來處理,並使用SparklingLogic決策引擎幫助支付反欺詐流程的執行。
決策引擎針對該在線支付平臺遇到問題
1. 大數據智能預測。利用特有“藍筆模式”的機器學習技術,基於消費行為的大數據分析,智能預測和防範欺詐交易。命中率、捕獲率都達到96%以上,與傳統的規則相比,主要指標都得到了明顯提升。
2. 模型快速叠代。模型可以自學習,自動化優化預測模型,進而應對不斷變化的欺詐模式。每日自動訓練、自動更新反欺詐模型,模型的叠代頻率從以周為單位提高到以日為單位。
平臺使用了智能決策引擎的解決方案後,參與解決問題的人數從20+人減少到不到5人,解決問題的周期從2周變為1天,每日減少欺詐損失達百萬美元:
使用引擎前後的對比:
使用引擎前 | 使用引擎後 | |
參與解決問題的人數 | 20+ | 少於5 |
解決問題的周期 | 2周 | 1天 |
使用決策引擎大大提升了該公司的反欺詐流程執行效率,降低了風險損失率。目前,
決策引擎在支付行業的反欺詐應用