金融反欺诈的底层逻辑

供应链金融是银行围绕核心企业，管理上下游中小企业的信息流、资金流、商流、物流，并把单个企业的不可控风险转变为供应链企业整体的可控风险，通过全链路获取各类信息，将风险控制在最低的金融服务。

数字供应链金融是金融企业数字化转型的必然趋势之一。

依托大数据风控和数字化技术，供应链金融业务形态逐渐数字化，并以“数据+金融+场景”方式提供数字化金融服务。

供应链金融数字化主要包括：打造数字化金融产业链，构建数字化金融生态圈等。

在数字时代，金融企业凭借数字化的应用，来打破信息和信用不对称的问题，并改善供应链金融的生态，进而成为供应链金融新贵，其中蚂蚁金服、京东数科、苏宁金融等都是典型代表。

都说“场景在前，金融在后”。

供应链金融的应用场景有：贸易融资、垫资采购、融资租赁、仓储金融、企业信用卡、保理融资、承兑汇票、商票贴现等。

然而，面对供应链汽车金融的各种应用场景，首要解决的问题是金融欺诈。

01

金融类欺诈行为

金融欺诈是指借款人用虚构数据、隐瞒事实的方式来骗取贷款，且在申请贷款后主观上没有还款意愿，或客观上没有偿还能力，可能造成出借人资金损失的行为。

常见的金融欺诈类型有：虚假用户注册、盗刷卡伪造卡、企业信贷欺诈、金融钓鱼网站、病毒类木马程序、账户隐私窃取、企业融资套现等。

以企业数字融资为例，在完成金融贷款业务的申请、授信、建额、提款、还款等过程中，可以通过信息流、业务流、数据流等信贷欺诈的手段，来获得银行的申请授信，从而获得银行的放款，主要体现在：

• 信息流欺诈：以“拖库”的形式，入侵有价值的网络站点，把注册用户的资料数据库全部盗走。以“撞库”的形式，把获得的用户名和密码在其它网站批量尝试登陆，进而盗取更有价值的东西。以“洗库”的形式，把取得的用户数据通过一系列的技术手段和黑色产业链，将有价值的用户数据变现。

• 业务流欺诈：基于变量和模型的输出，穷举范围内的变量的不同取值，判断所取的值是否满足授信模型中的条件。若被多条规则命中，则做出决策改变和风险判断，直到找到全部符合条件的值为止。

• 数据流欺诈：按欺诈主体、欺诈途径、欺诈阶段等维度，采取不同的欺诈行为。通过虚构企业规模、经营范围、贷款用途信息，虚增固定资产、交易流水、项目利润等数据，来符合政策准入条件，或通过系统规则检测。

供应链金融欺诈归根到底就是企业经营行为的欺诈。

供应链金融欺诈就是企业将虚假交易数据与虚构经营数据，作为供应链授信的依据。

比如在贸易融资环节，重复质押或伪造合同等相关凭证，来骗取银行信用证、承兑汇票，进而套取供应链金融融资款。

以汽车融资租赁应用场景为例，融资租赁涉及出租人和承租人的投融资、供应商的设备促销、租赁资产交易、资产后续处置等环节，但整个交易环节都是关联方伪造出来的。

从形式上确是存在着交易，但没有实际的产业输出，其欺诈行为包括申请欺诈、信用风险和坏账风险。主要体现在：

• 申请欺诈：资料造假、身份冒用、用途不明；

• 信用风险：多头借贷、合同诈骗、虚假交易；

• 坏账风险：人车失踪、经营异常、恶意拖欠。

02

金融反欺诈策略

对于供应链金融而言，在解决上下游企业融资难的问题时，也要确保随之而来的金融欺诈风险可控。

面对金融欺诈风险，首要任务是采取反欺诈策略。反欺诈就是通过对内外部数据的采集和分析，找出触碰规则的欺诈信息，从而预防欺诈行为的发生。

进入数字金融时代，数字化技术支撑供应链金融构建“数据、技术与场景”三位一体的反欺诈系统。

常见的反欺诈系统有：用户行为风险识别引擎，征信系统，黑名单系统等。数字金融反欺诈技术手段可分为数据采集、数据清洗、特征工程、算法研究、决策引擎、监控迭代等。

数字金融反欺诈是在策略的动态优化基础上，通过技术实现线上化和数字化。

常见的反欺诈策略有：OCR识别、用户基本信息、黑名单、多头信息、手机号校验、运营商认证、人脸识别、活体验证、三方数据、设备信息、关系图谱、用户行为数据等。

以企业融资申请中的人脸识别，我们会对人脸进行身份验证、属性分析、特征对比、脸库搜索、活体检测等来预防欺诈。

在人脸识别中，通过建立预测模型来识别出客户的脸，其中的机器学习算**涉及到一些人脸识别的模型参数。