3.2.2　反欺诈规则层

反欺诈规则建立的目的就在于识别出恶意骗贷的用户与真正借款的用户，以及预测骗贷的风险。根据业务模式和场景的不同，金融反欺诈可以分为基于规则的反欺诈和基于模型的反欺诈。

供应链金融欺诈就是借款人利用金融的规则漏洞，将虚假交易数据与虚构经营数据作为供应链金融的额度授信的依据，如图3-11所示。比如，欺诈者在贸易融资环节，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。

图3-11　供应链金融欺诈

面对金融欺诈风险，首要任务是配置反欺诈规则。以企业融资申请环节的人脸识别为例，我们会对人脸进行身份验证、属性分析、特征对比、脸库搜索、活体检测等规则校验来预防申请授信欺诈，即做贷前申请准入的“前置挡板”，如图3-12所示。

图3-12　企业融资人脸识别

在人脸识别中，我们通过决策变量建立预测模型来识别客户的脸，其中的机器学习算法会涉及一些人脸识别的模型参数，如表3-1所示。

表3-1　人脸识别模型参数

反欺诈是供应链金融必不可少的一部分，而反欺诈规则是供应链金融企业的核心内容。贷款审核规则主要包括直接拒绝规则、反欺诈规则与信用评分规则。我们可根据公司业务制定具体规则内容。

我们可制定政策准入条件和系统检测规则，来采集用户的基本信息、贷款数据和交易数据，通过决策树可视化模型，提取决策变量组合，从而构建反欺诈规则集。比如我们将年龄不符合要求、高风险地区人士、历史贷款申请命中黑名单等作为贷款直接拒接规则，对企业贷款做“申请准入条件”校验，将不符合规则的借款人排除在申请之外，如表3-2所示。

表3-2　贷款直接拒绝规则

此外，我们可在贷前、贷中、贷后对借款人发起检测，精准识别多头申请、多次放款、贷款被拒、贷款逾期等行为，从而判断客户是否获得贷款授信。比如我们将企业的申请总次数、放款总次数、被拒贷总次数、申请总机构数、放款总机构数、被拒贷总机构数、近30/90/180/360天逾期总笔数等作为反欺诈规则，对企业授信做预审批，对用户评分做规则校验，避免多头借贷或申请次数过多，如表3-3所示。

表3-3　贷款反欺诈规则

反欺诈就是通过对内外部数据的采集与分析构建规则引擎，从中找出触碰准入规则的欺诈信息，从而预防欺诈行为的发生。