1

　　伴随着移动互联网技术的飞速发展,银行服务模式日趋多样化。随之而来的银行欺诈风险呈现出更加隐蔽、专业的特点,发展出更多的作案手法和表现形式。原有的反欺诈风控模型特征计算方式单一、维度较少,存在大量信息遗漏等,这些都导致了银行无法进行有效的欺诈预测。

　　同时,传统欺诈检测主要依赖专家规则,风控规则准确率较低,随着欺诈手段的日趋多元化,导致银行无法应对欺诈行为的持续变化。而且当专家规则积累达到一定数量后误报率通常会比较高,会影响实际风险决策的制定和实际业务的开展。

　　而机器学习技术,相较于基于经验的专家规则,可以从中找出一些很难被专家规则发现的微观特征,使模型的刻画更为精准,从而大幅提升欺诈案件的侦测率。

　　2

　　为了提升电子银行反欺诈的准确率与覆盖率,光大银行率先布局,引入了邦盛科技的人工智能核心技术,针对其网银场景训练应用反欺诈机器学习模型,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,从未来的申请数据中识别出真正的欺诈案件,从而实现全流程智能化的风控体系。

　　基于金融行业长期的积累,www.cppcns.com邦盛科技利用机器学习模型、智能评分卡及智能规则,辅助原有业务经验进行数据梳理及效果应用提升,有效提升原有规则模型拦截及预测效果。在短短几个月内,经过光大银行与邦盛科技的共同努力,在保证与原有规则编程客栈相同覆盖率的情况下,通过机器学习模型,大幅提升命中率约 40 倍,降低客户干扰到原有的1/25。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。

　　邦盛科技机器学习反欺诈模型凭借优异的模型精度无损化上线方案及高解释性智能评分卡方案,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,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,邦盛科技将现有的对可疑交易的电话确认等事后反欺诈转化为事中反欺诈,为银行大力节省了人力成本和运营投入。

本文由编程驿站用户投稿，未经编程驿站同意，严禁转载。如广大用户朋友，发现yZHdSUe稿件存http://www.cppcns.com在不实报道，欢迎读者反馈、纠正、举报问题（反馈入口）。

免责声明：本文为用户投稿的文章，编程驿站发布此文仅为传递信息，不代表编程驿站赞同其观点，不对对内容真实性负责，仅供用户参考之用，不构成任何投资、使用等行为的建议。请读者使用之前核实真实性，以及可能存在的风险，任何后果均由读者自行承担。如有发现