电商消费分期背后的套现猫腻

相信现在各类电商平台的分期服务你绝对不会陌生，近些年来各大电商为了刺激消费，各类分期服务层出不穷，而且往往申请十分简便，几乎是一键申请。但如此简便的服务却衍生出了一种新型风险——道德风险。从最开始大额医美分期、汽车分期，再“下沉”到手机分期，衣服鞋帽分期等。电商分期场景下的骗贷业务成为了欺诈的高发区。

图1:网络上电商平台的套现广告

电商骗贷为什么成为新的欺诈热点：

1、用户下沉

高净值人群更加偏好信用卡这一消费方式，互联网平台则更加受学生、初入社会的白领的青睐。与很多信用卡需要填写繁琐的资料不同，许多互联网电商分期为了刺激消费便会降低门槛和审核，常常是“一键”即可开通，居高的欺诈率和坏账便也不足为奇了。

2、骗贷成本低

现在许多互联网电商平台额度都比较低，常常是几百元或者几千元以内，常常催收和法律的成本都常常都难以覆盖掉骗贷的成本。而在中国，购买一套完备的个人信息成本十分低廉，常常是不到百元即可获得（姓名+银行卡+身份证+手机号）这样完备的信息。这并不是耸人听闻，在前段时间曝光的深圳“三和人才市场”，大量的身份信息被出售，甚至还能做到真人识别。电商骗贷已经成为一个成熟的产业。

3、恶意引导

就在 DataVisor接触的一个电商欺诈案例中，就曾发现一个群组。他们之前都是分期购物按时还款的优质用户，却在购买一次大金额的手机后，开始逾期。出乎意料的是，在“赖账”以后，这群人依然会在平台照常的进行消费行为。后来通过深入挖掘得知，他们收到黑产 QQ群的邀请，群主会在群中发布套现攻略，颇有：“手把手教你套手机，不套不是人的感觉”。

根据商场的经营模式，可以将消费分期套现分为两大类型：

一、卖家入驻，内外勾结

该类型的电商是骗贷的高发区，原因是：套现成本极低，损耗较低。首先欺诈分子会在电商平台中开设店铺，专门贩卖手机。而后自己在该平台下单，选择分期购买，店铺发货一个空包，这样成本只有低廉的快递费和商家少许的分期服务费。更严重的是，这种内外勾结的情况甚至会有内部风控人员参与。该场景也适用于线下的套现行为，例如：汽车金融、医美和手机商城等。

二、全部自营，变卖套现

这一类型的电商相比前者骗贷则少了很多，但只要有利益，仍逃不过欺诈分子的毒手。因为无法内外勾结，需要将商品专卖套现，这显然增加了欺诈分子的时间成本。所以欺诈分子偏好易变现的产品，如3C产品。该类骗贷分为两大类型：

1.专业套现——以套现和骗贷为生，手握大量账号和四大个人信息要素；

2.散客——往往都是贪图小便宜由“白”转“黑”。

专业套现通常是先进行小规模测试，摸清检测规则或如何获取较高的信贷额度，摸清楚规则后再进行大规模套现；而散客常常都是活跃在相关“套现群”，群主会引导大家进行套现活动，统一邮寄到回收商手中，再以8.3——9.2折的现金返还给到套现操作者。正因为该种套现方法折损率高，周期长，欺诈相对内外勾结型的黑产欺诈少了很多。

许多电商平台现有的反欺诈手段还只是初级的黑名单和规则库，而现在社交网络分析和有监督学习也逐渐被一些电商平台采用。但仍不能有效地解决该问题，为什么？以下就展开讲讲。

复杂的风控策略和规则虽然起到一定作用，但更为严峻的是当面对内部风控人员参与的黑产团伙却束手无策，因为任何内部规则都会在内部泄露，如此欺诈分子就可以轻易的逃过策略和规则的检测。此外，现在的黑产团队都呈现的规模化产业化的趋势，情报中心的出现就是该趋势的体现。该中心的作用就是通过小批量测试探索规则和策略的漏洞，而后在你尚未发现漏洞以前，就发起大规模的攻击。

而社交网络分析，就是将有关联的人都连接成一个网络。在你发现部分欺诈用户以后，就把其当作标签输入该网络，以期把整个团伙挖掘出来。然而，当社交网络分析却无法解决使用真实用户信息进行骗贷的欺诈分子——这些身份都互相独立，很难发现其关系。

有监督学习由于只能识别已知欺诈，滞后性比较强。而坏人的手法又变化多端，层出不穷，所以只能检测到有限的欺诈用户。

无监督机器学习是如何改善这一状况?

无监督学习，是以用户基本信息和行为信息来聚类的，可以有效识别未知欺诈。且其输出的群组特征信息，还可作为一个维度输入有监督学习，可以补充有监督学习的检测维度。此外，无监督学习也可以触碰到社交网络分析的盲区——小白用户申贷。

图2:某电商平台抓获的欺诈

对于无监督学习的结果，可以通过两个维度上的优势：

1. 业务维度：这一维度需要有业务知识的输入，同时需要业务人员的辅助验证来辨识坏人群体。这一维度，由于其与业务息息相关，准确率更高，可解释性也更强。

2. 纯数据维度：这一维度主要为了识别未知欺诈，也即业务人员尚不清楚或尚未发现的攻击模式。单纯从数据的角度去判别——计算其内联程度。举个例子，在某产品的检测中，我们发现如下群组，特征如下：用户昵称都为三个随机汉字+逗号，设备都是旧版系统的iPhone，且部分手机号前缀也相同。这些是很难通过人为检测发现的，而通过纯数据的维度，则可以聚类出这样的攻击群组。而即使团伙变换了某些手法，如把昵称变成了四个汉字 +“～”，无监督学习也能将其检测出来。

写在最后

无监督机器学习作为一种领先的反欺诈技术手段，其优势效果在于检测到以往传统反欺诈检测手段所不能检测到的区域，但传统欺诈检测手段如黑名单和规则（策略）库仍有一定作用，社交网络分析和有监督学习同样也可以从很多维度检测出坏人群组，无监督机器学习可以作为以上反欺诈手法强有力的补充。

图3:DataVisor欺诈解决方案

事实上 DataVisor的反欺诈检测方案也包含了有监督机器学习、规则引擎、全球智能信誉库等模块，能够给企业提供全面卓越的欺诈检测。DataVisor作为技术创新型公司，我们意在利用每种技术的优势，最大化向企业提供卓越的欺诈检测服务。