反欺诈评分卡

一．项目概述和目的

在现金贷业务中，主要面临两种风险：信用风险和欺诈风险．

信用风险主要是对借款人还款能力和还款意愿进行评估，从而决定放款金额的大小(也可以决定放款利率的大小)，

而反欺诈直接面临的是欺诈用户,这种用户没有其他目的，就是为了骗钱不还(包括开始想还，后面不还)．

如果直接用规则去做反欺诈，有三种局限性：

１．策略比较强，命中直接拒绝，无法考虑策略之间深层次的关系；

２．无法给出用户的欺诈风险有多大；

３．没有考虑用户从信用风险向欺诈风险的转移．

反欺诈模型就是为了通过机器学习来完善现在仅仅靠规则来拒人的不足．

二、实施方案：

欺诈有两种，一种是直接欺诈，一种是信用风险向欺诈风险转移（用户原本有微弱的还款意愿，随着时间的推移，微弱的还款意愿没了

，还有一种是有还款意愿没有还款能力，所以在选择特征和标签的时候围绕着这几个方向去考虑

反欺诈评分卡种类：

一：小额度

贷前（主要是以贷前能拿到特征训练）

贷中（主要加入了在我们平台上生命周期产生的有欺诈嫌疑的数据）

二：大额度

贷前（主要是以贷前能拿到特征训练）

贷中（主要加入了在我们平台上生命周期产生的有欺诈嫌疑的数据）

1. 反欺诈评分给每一个用户设置350-970的分数

a). 低于300分直接认为欺诈用户，线上直接拒绝

b). 500分于700分之间有欺诈嫌疑但是我们不确定是不是完全欺诈，这部分用户小部分会进入人工审核，大部分会再进入其他反欺诈模型

c). 700分用户直接让入，之后进其他策略和信用模型

2. 特征选择分为以下几个部分：

一：团伙相关欺诈特征

a). 结合设备相关特征（比如设备关联多少个手机号，设备关联多少个身份证，手机关联多少个设备等等）

b). ip行为相关（ip是否是异常ip，登陆ip数）

c). 团伙相关（比如团伙中有多少个预期，一度联系人里面有多少个预期，二度联系人有多少预期，一度联系人里面黑名单数量，二度联系人黑名单数，团伙中是否命中中介）

二：个人相关欺诈特征

1. 详单数据（比如0点通话次数，一个月和直接联系人通话次数,等等）

2. 决策流里面反欺诈策略中的风险因子（比如命中法院执行名单，命中三方黑名单,等等）

3. 三方欺诈数据（比如同盾风险分等）

4. 行为数据（这部分只适用于贷中反欺诈，用户预期次数等等）

5.异常检测产生的数据

3. Label 选择：

a). 贷后人工标记用户

b). 贷前人工标记用户

c). 策略因反欺诈直接拒绝用户

d). 分期产品首单逾期大于14天（首单，首期）

e). 分期和单期产品逾期最大天数30天

f). 黑名单用户

4. 数据融合

如果数据不好融合的情况下，考虑把这种不好融合的数据做成子模型，把子模型分数带入到主模型，作为主模型特征