决策引擎在支付行业的反欺诈应用

支付公司收到交易请求 ：以在线支付方式购买价格为1500元的手机。批准还是拒绝？

某全球大型在线支付公司每天都处理上千万笔类似的请求。金融支付与科技创新深度融合，支付产品及场景更加丰富，支付更加简单、安全、方便。为了使服务体验不断优化、支付安全更有保障，在线支付平台与支付网络欺诈始终在进行着无休止的博弈。据《2016年国内银行卡盗刷大数据报告》不完全统计，运营商黑卡数量超过1.3亿张，网络诈骗“黑色产业”市场规模高达1100亿元，已成为中国第三大“黑色产业”。

细数在线支付业务反欺诈的痛点：

1.欺诈模式层出不穷。网络支付中的主要欺诈方式有木马、盗号、盗刷、假币、虚拟交易、信用卡套现、伪造卡、钓鱼网站等手段。受害者贯穿各个年龄段、各种学历，涉及范围广、数额非常巨大。反欺诈模型需要不断适应新的欺诈模式。

2.在线交易数据量大。由于在线支付的便捷性和灵活性，越来越多的交易采用在线支付的方式进行支付。移动互联网的普及加速了这一趋势。大型在线交易平台每天需要处理上亿笔交易。

3.实时性要求高。收到交易请求后需要在几秒内快速做出判断，给出反欺诈结论。

4.规则需要快速迭代。一旦发现反欺诈系统的漏洞，需要在极短的时间内修复。规则修改要快、规则验证要快、规则的发布也需要加快。

面对这些痛点该支付公司果断使用决策引擎进行防守，对于进入系统的交易请求，采用世界上最先进的反欺诈技术和模型来处理，并使用SparklingLogic决策引擎帮助支付反欺诈流程的执行，在使用智能决策引擎之后，该支付公司参与解决反欺诈问题的人数从20+人减少到不到5人，解决问题的周期从2周变为1天，每日减少欺诈损失达百万美元。

目前，该支付公司已经在全球190个国家和地区，有超过3亿用户，2016年在线交易额超过3400亿美元，且拥有业界最低风险损失率（仅0.27%），不到使用传统交易方式的六分之一。

细探决策引擎解决的方法，其实并不复杂：

首先，使用大数据智能预测。利用特有“蓝笔模式”的机器学习技术，基于消费行为的大数据分析，智能预测和防范欺诈交易。命中率、捕获率都达到96%以上，与传统的规则相比，主要指标都得到了明显提升。

其次，进行模型快速迭代。模型可以自学习，自动化优化预测模型，进而应对不断变化的欺诈模式。每日自动训练、自动更新反欺诈模型，模型的迭代频率从以周为单位提高到以日为单位。