中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：目前數字供應鏈金融是金融企業數字化轉型的必然趨勢之一，其中金融企業要面對的首要問題便是金融欺詐。那么如何理清金融反欺詐的底層邏輯，通過數字技術和決策引擎來提升供應鏈上的風險識別能力呢？一起來看看吧。

稻盛和夫說過：傾聽產品的聲音，用心觀察產品的細節，就能自然而然地明白出現問題和差錯的原因。

金融產品創新終究要回歸到最初的本質，即以金融業務的某個核心功能為切入點，用底層思維去思考產品的底層邏輯，用同理心去洞察人性。

金融產品經理可以從第一性原理出發，使用演繹邏輯，倒推金融反欺詐的業務邏輯，從而培養底層思維。

銀行圍繞核心企業，管理上下游中小企業的信息流、資金流、商流、物流，并把單個企業的不可控風險轉變為供應鏈企業整體的可控風險，通過全鏈路獲取各類信息，將風險控制在最低。這種金融服務就是供應鏈金融。

數字供應鏈金融是金融企業數字化轉型的必然趨勢之一。依托大數據風控和數字化技術，鏈接資金端和資產端，供應鏈金融業務形態逐漸數字化，并以“KYB/C+數據管理+數字金融+消費場景”的方式提供數字化供應鏈金融解決方案。

供應鏈金融數字化主要包括打造數字化金融產業鏈、構建數字化金融生態圈等。

在數字時代，金融企業憑借數字化應用來打破信息和信用不對稱的問題，并改善供應鏈金融的生態，進而成為供應鏈金融“新貴”，其中螞蟻金服、京東數科、蘇寧金融等都是典型代表。

都說場景在前，金融在后。供應鏈金融的應用場景有貿易融資、墊資采購、融資租賃、倉儲金融、企業信用卡、保理融資、承兌匯票、商票貼現等。然而，面對供應鏈金融的各種應用場景，企業首要的問題是金融欺詐。

一、反欺詐數據層

金融欺詐是指借款人用虛構數據、隱瞞事實的方式來騙取貸款，且在申請貸款后主觀上沒有還款意愿，或客觀上沒有償還能力，可能造成出借人資金損失的行為。常見的金融欺詐類型有虛假用戶注冊、企業欺詐、金融釣魚網站、病毒木馬程序、賬戶隱私竊取、融資套現、他人冒用等。

金融反欺詐模型的底層為數據層，即數據來源。反欺詐建模需要從不同數據源采集多維度數據，且數據源越多越好，特別是做支付、助貸、征信類的大數據公司。

以企業數字融資為例，在完成金融貸款業務的申請、授信、建額、提款、還款等過程中，欺詐者可以通過信息流、業務流、數據流等信貸欺詐的手段來獲得銀行的申請授信，從而獲得銀行的放款。

1）信息流欺詐

欺詐者以“拖庫”的形式入侵有價值的網絡站點，把注冊用戶的資料數據庫全部盜走；以“撞庫”的形式用獲得的用戶名和密碼在其他網站批量嘗試登錄，進而盜取更有價值的東西；以“洗庫”的形式通過一系列技術手段和黑色產業鏈得到有價值的用戶數據并變現。

2）業務流欺詐

欺詐者基于變量和模型輸出，窮舉范圍內變量的不同取值，判斷所取的值是否滿足授信模型中的條件，若命中多條規則，則做出決策改變和風險判斷，直到找到全部符合條件的值為止。

3）數據流欺詐

按欺詐主體、欺詐途徑、欺詐階段等維度，欺詐者采取不同的欺詐行為，比如通過虛構企業規模、經營范圍、貸款用途信息，虛增固定資產、交易流水、項目利潤等數據，使自身符合政策準入條件或通過系統規則檢測。

因此，我們做反欺詐時需要獲得數據層的黑名單、多頭借貸等信息，以做貸前風控和貸中預警，提高企業融資申請的準入門檻，實時判斷每一筆交易行為的風險。

二、反欺詐規則層

反欺詐規則建立的目的就在于識別出惡意騙貸的用戶與真正借款的用戶，以及預測騙貸的風險。根據業務模式和場景的不同，金融反欺詐可以分為基于規則的反欺詐和基于模型的反欺詐。

供應鏈金融欺詐就是借款人利用金融的規則漏洞，將虛假交易數據與虛構經營數據作為供應鏈金融的額度授信的依據。比如，欺詐者在貿易融資環節，重復質押或偽造合同等相關憑證，來騙取銀行信用證、承兌匯票，進而套取供應鏈金融融資款。

面對金融欺詐風險，首要任務是配置反欺詐規則。以企業融資申請環節的人臉識別為例，我們會對人臉進行身份驗證、屬性分析、特征對比、臉庫搜索、活體檢測等規則校驗來預防申請授信欺詐，即做貸前申請準入的“前置擋板”。

在人臉識別中，我們通過決策變量建立預測模型來識別客戶的臉，其中的機器學習算法會涉及一些人臉識別的模型參數。

反欺詐是供應鏈金融必不可少的一部分，而反欺詐規則是供應鏈金融企業的核心內容。貸款審核規則主要包括直接拒絕規則、反欺詐規則與信用評分規則，可根據公司業務制定具體規則內容。

我們可制定政策準入條件和系統檢測規則，來采集用戶的基本信息、貸款數據和交易數據，通過決策樹可視化模型，提取決策變量組合，從而構建反欺詐規則集。

比如我們將年齡不符合要求、高風險地區人士、歷史貸款申請命中黑名單等作為貸款直接拒接規則，對企業貸款做“申請準入條件”校驗，將不符合規則的借款人排除在申請之外。

此外，我們可在貸前、貸中、貸后對借款人發起檢測，精準識別多頭申請、多次放款、貸款被拒、貸款逾期等行為，從而判斷客戶是否獲得貸款授信。

比如我們將企業的申請總次數、放款總次數、被拒貸總次數、申請總機構數、放款總機構數、被拒貸總機構數、近30/90/180/360天逾期總筆數等作為反欺詐規則，對企業授信做預審批，對用戶評分做規則校驗，避免多頭借貸或申請次數過多。

反欺詐就是通過對內外部數據的采集與分析構建規則引擎，從中找出觸碰準入規則的欺詐信息，從而預防欺詐行為的發生。

三、反欺詐配置層

對于供應鏈金融而言，我們在解決上下游企業融資難的問題時，也要確保隨之而來的金融欺詐風險可控。這關鍵在于反欺詐風控系統的規則配置。我們可以通過配置系統規則，比如審核流程的配置、產品參數的配置、業務表單的配置、規則引擎的配置等來實現。

進入數字金融時代，數字化技術支撐供應鏈金融構建“數據、技術與場景”三位一體的反欺詐系統。數字金融反欺詐從數據采集、數據清洗、特征工程、算法研究、決策引擎、監控迭代等方面，通過數字技術實現規則配置的線上化、流程化和數字化，從而降低開發成本。常見的反欺詐系統有用戶行為風險識別引擎、人行征信系統、黑名單管理系統等。

以黑名單管理系統為例，我們可以靈活配置黑名單隔離規則，比如設備黑名單、IP及LBS黑名單、中介黑名單、手機號碼黑名單、法院黑名單、逾期黑名單等決策。

數字金融反欺詐策略可分為數據采集、數據清洗、特征工程、算法研究、決策引擎、監控迭代等，并在規則配置后對參數進行動態優化。供應鏈金融欺詐歸根到底就是企業經營行為的欺詐。

以汽車融資租賃為例，整個交易環節涉及出租人和承租人的投融資、供應商的設備促銷、租賃資產交易、資產后續處置等，從形式上看確實存在交易，但沒有實際的產業輸出。汽車融資租賃的欺詐風險包括申請欺詐、信用低和壞賬。

• 申請欺詐：資料造假（企業經營數據人為作假）、身份冒用（冒用他人的身份證信息）、用途不明（貸款資金沒有明確的使用場景）。
• 信用低：多頭借貸（借款人向多家金融平臺提出借貸申請）、合同詐騙（通過虛構事實、隱瞞真相、設定陷阱等手段，誘使對方與之簽訂或履行合同）、虛假交易（不存在、不真實的交易行為）。
• 壞賬：人車失蹤（聯系不到借款人且無法定位跟蹤車輛）、經營異常（企業被工商局列入經營異常）、惡意拖欠（企業或個人惡意拖欠貸款）。

四、反欺詐策略層

反欺詐業務層建模，首先得有策略。在反欺詐策略的基礎上，我們可以通過人工智能、大數據、機器學習和區塊鏈等數字技術，建立實時數據采集、實時數據處理和實時欺詐發現的數字化反欺詐平臺。

常見的反欺詐策略有OCR識別、用戶信息校驗、命中黑名單、命中多頭借貸、手機號校驗、運營商認證、銀行卡實名認證、人臉識別、活體驗證、三方數據比對、設備信息檢測、關系圖譜分析、用戶行為數據等。以供應鏈融資的設備埋點反欺詐為例，客戶完成授信后，我們從設備信息驗證和設備指紋識別中，提取符合反欺詐特征標簽的數據，進一步搭建反欺詐模型。

結合歷史放貸樣本，我們可使用Lightgbm和XGBoost框架進行機器學習和深度學習，從而得到欺詐評分或欺詐規則，確保數據符合準入策略、認證策略和支用策略，以便實時輸出判定結果，識別金融反欺詐風險。

在供應鏈金融業務中，反欺詐模型起著很重要的作用。從關系圖譜上，我們能夠了解關聯企業的經營關系；從客戶畫像上，能夠識別惡意客戶與行為數據；從數據挖掘上，能夠判斷企業真實的經營狀況。供應鏈金融的發展趨勢必然是數字化。我們可通過提升產業金融的數字化基礎，加速供應鏈金融企業的數字化進程。

數字化供應鏈金融的反欺詐就是通過數字技術和決策引擎來提升供應鏈上的風險識別能力，從而有效地改善核心企業現金流，降低資產負債率，增加上下游客戶黏性。

#專欄作家#

朱學敏，微信公眾號：朱哥聊產品，人人都是產品經理專欄作家。暢銷書《產品閉環：重新定義產品經理》作者，8年金融產品人，專注于金融行業（貸款、理財、支付），從0到1負責產品的全過程開發與設計。

本文原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。