从PayPal实时反欺诈看人工智能时代的敏捷风控

PayPal是倍受全球亿万用户追捧的国际贸易支付工具，即时支付，即时到账。在跨国交易中超过90%的卖家和超过85%的买家认可并正在使用PayPal 电子支付业务。全球190个国家和地区，有超过3亿用户，每日交易可达上亿笔，是全球在线支付的代名词。

然而在巨大的交易量中，欺诈行为层出不穷，方法变化莫测。所谓“道高一尺，魔高一丈”，欺诈方法不断进化对PayPal风控提出极大的考验，因为支付行业本身的性质使每个错误的成本都很高。

正如PayPal全球风险科学的高级主管所说：“我们打交道的这些诈骗者是……非常独特，非常有创意……我们的欺诈问题比任何人想象的都复杂。”

PayPal需要应对的最关键的风险包括：

• 最常见的是欺诈，如身份信息被盗取造成的盗刷

• 身份信息正确但是却没有清还银行账单或者有目的地声称没有收到货物。

• 收到钱款却不发货。

• 提供贷款产品面临的信用风险。

在实时高交易量的业务下，PayPal的风控面临极大的挑战：

• 如何对每天数亿笔的在线交易进行实时欺诈识别？

• 如何保证识别的准确性，既不放过一起欺诈，也要减少误判

• 如何快速发现新型的反欺诈手段并及时修复？

PayPal团队使用明策智能决策引擎的实时数据驱动与机器学习能力找到了一个方法来帮助PayPal和那些利用在线支付平台漏洞监测的罪犯公平竞争。

高频交易下的实时反欺诈

基于对用户消费行为的大数据分析，通过明策智能决策引擎建立覆盖全面的反欺诈交易模型并于全球部署，实时对每一笔线上交易进行反欺诈预测与识别，捕获率可达到96%以上。毫秒级响应使用户完全感觉不到识别过程，在提高客户体验的同时，提高欺诈捕获效果。

通过多维度提升判别准确性，降低误判

在早前，PayPal的风险管理系统架构是基于市场统一标准的线性技术。而在不断发展并拥有更多不同类型的数据时，PayPal发现非线性技术（前驱技术）可以比传统的线性技术更好地帮助我们利用其中的信息。简单来说，如果有一张充满绿点和红点的纸，你需要去区分它们，线性技术使用的是一条直线，而非线性技术则可以使用曲线或者多维线条。

PayPal的欺诈侦测系统是使用各种数据来有效反映一个交易的各种方面。比如说我们有一笔来自纽约的交易，正在试图购买一件在加州的产品，但收货地址却在密歇根。在传统的观念中大家可能会认为这笔交易很可疑，但通过复杂精准的数据分析系统，我们可以提供一种不同的解释。也许这是一个来自密歇根的学生，正在给父母买礼物。在以前的在线支付中，用户可能会遭遇交易被拒的情况，或者要通过客户服务中心才可以保证交易通过。但现在使用数据分析技术来判断用户并能准确地授权交易成功。

通过机器学习及时识别并修复新欺诈手段

采用传统“发现-修改-测试-上线”的反欺诈修复机制因修复难度大、周期长，将会给用户带来极大的损失。PayPal需要能够实时、自动化的预测和识别欺诈行为。通过使用明策的机器学习功能自动化预测模型，将原本需要1个月以上的模型更新周期缩短至每日更新。

“事实证明深度学习模型也擅长于识别复杂模型和网络犯罪和网络欺诈的特征。基于机器学习的模式识别一直是欺诈检测实践的重要组成部分。这是一种侦探般的方法“。PayPal全球风险科学高级主管如此描述。“机器学习可以潜在分析成千上万个可能形成一个特殊类型欺诈的潜在特征（时间信号，活动者和地理位置是一些简单的例子），甚至可以检测“代替的作案方法”，或者相同方案的不同变种。这个模式比“如果有人做X，则结果是Y”复杂的多，所以它需要人工智能在达到比人类更深的层次上进行分析“。PayPal使用冠军-挑战者的方法去决定重度使用哪种欺诈监测模型，而机器学习非常可能成为冠军。一旦模型检测出可能的欺诈行为，人类“侦探”可以去评估什么是事实，什么不是，和接下来应该怎么做。

PayPal也因此达成了仅0.27%业界最低风险损失率指标，不到传统交易方式的1/6。

PayPal的反欺诈机制无疑是世界领先的，更是有前瞻性的。虽然并不是每个企业都有PayPal般的体量，但在今天互联网爆炸式发展的今天，谁又能说过去的风控、反欺诈手段仍然适用呢？又如何能够在不断变化的条件下，让原有的风控模型持续有效？而如果失去敏捷实时的响应，造成的损失都不可估量。部署自动化、智能化、敏捷化的风控机制，对每个企业来说都已势在必行，这亦将成为人工智能时代背景下风控的基本准则。