不久前，一家业界领先的机器学习公司告诉「甲子光年」：常有客户带着迫切的反欺诈需求主动找来，但是， 我们不敢接 。

难点何在？

---

作者｜晕倒羊

编辑｜甲小姐

设计｜孙佳栋

微信｜甲子光年 (ID:jazzyear)

生死欺诈

企业越急速发展，越容易产生安全隐患。

岂安科技联合创始人兼CPO（首席产品官）刘明向「甲子光年」讲了这样一个例子：

某银行2016年为满足用户需求和提高效率，主推线上申办信用卡业务，却迎来大量虚假申请。每张卡可以透支2000元，而这些人员无从查实， 导致银行半年内损失了近2个亿。

除此之外，银行的线下推广渠道为了谋求佣金、开卡奖励等分成收益的最大化，虚假开卡现象层出不穷。大量僵尸卡出现，导致银行在市场投入、份额方面的认知出现严重偏差，增加了客服和运维成本，而这些损失甚至难以估量。

仅去年一年，全球信用卡、借记卡、预付卡和私有品牌支付卡的损失就高达163.1亿美元。据中国银行业协会《中国银行业产业发展蓝皮书》显示，2016年，中国信用卡欺诈损失排名前三的欺诈类型为伪卡、虚假身份和互联网欺诈。

除了金融行业，互联网行业也面临着挑战：今年4月，湖北破获一起特大团伙诈骗案，涉案金额高达上千万元，受害者是 斗鱼直播平台 。

据创业基金会报道，去年6月，斗鱼报案称，其直播平台的充值系统在和苹果支付平台进行结算时，收支资金明显不符，损失严重。 问题集中在充值业务“鱼翅”上。 嫌疑人利用非法购买盗取的境外信用卡和手机账号， 利用境外信用卡的预授权额度， 在苹果应用 商店进行盗刷。 盗刷充值后，斗鱼直播平台会默认交易成功，发放“鱼翅”给客户，但被盗刷的持卡人发现后，只要向发卡机构证明非自己消费，就可以不支付这笔损失。而由于苹果与软件开发者之间并非实时结算，而是月度结算，结算时， 苹果 也就不会向斗鱼支付这笔费用。损失便由斗鱼来埋单。

O2O行业也存在大量的欺诈现象。2016年的315晚会揭露了 刷单行业 的一角。商家为让自己的评价高，花钱雇刷单公司用“刷手”刷单，消费者被好评误导了消费，平台也被店家“骗了补贴”——最后， 大量补贴被不良店家和刷单人分掉。

图片来源：创业基金会

这些损失背后，往往有着“黑产”的身影。

“黑产”，网络黑色产业链的简称。去年9月，湖北省公安厅网安总队队长黄海军公开介绍：从目前掌握情况看， 网络黑色链条呈现出分工明确、组织严密的特点，黑产从业人员已超过150万，市场规模更是达到了千亿级别 。

公开资料显示，2016年，宜人贷被欺诈团伙盯上，损失了8130万元。 风险管理咨询公司Kroll发布的《2016/2017年度全球反欺诈及风险报告》指出，已核实的欺诈造成的损失平均占企业营业额0.5%至3%之间不等，而这一比例还在逐年上升。

此时此刻， 共有1.3亿张手机卡握在不法分子手中以实施欺诈行为。 据《2017年金融反欺诈行业报告》显示，中国互联网欺诈风险在全球排名前三，网络欺诈导致的损失 已达GDP的0.63% ——如果按照2016年中国GDP总量74.4万亿元计算，网络欺诈导致损失高达4687.2亿元。

黑产想要得到的是直接利益，因此金融、电商、航空、游戏等“离钱近”的领域纷纷沦为重灾区。 其中，如航空公司等传统企业在向互联网转型时，由于经验、资源方面的缺失，反欺诈从零开始，往往被迫交了很多“学费”。

黑产团伙手段五花八门，从假身份到猫池（一种模拟成手机终端，可同时放多张卡的设备）等攻击方式层出不穷。虽然越来越多企业意识到，必须建立安全体系对抗黑产，但自建需要大量成本投入，技术门槛也高，企业若以一己之力对抗“武装到牙齿”的黑产无疑是螳臂当车。

于是，一部分企业开始向技术服务公司抛出橄榄枝： 你能不能帮我们做做反欺诈？

反欺诈，作为一个行业，市场规模约为征信市场的十分之一，达几百亿甚至千亿级别。 与之相对的，则是供给上的严重不足。

从人才角度看，一名反欺诈从业者，要有技术能力、业务场景理解力、客户沟通能力，这样的复合型人才一将难求；从行业角度看，虽然国外SAS、VISA、FICO等大牌企业均已进入中国，但它们普遍不了解中国国情和数据，解决方案也难以应对中国人口基数；而国内除了阿里、腾讯等巨头，少有大公司具备反欺诈服务能力。

由此可见， 初创公司在反欺诈领域存在很大的机会和空间 。

毕竟，反欺诈关系着诸多企业的生死存亡。正如猛犸反欺诈副总裁刘刚对「甲子光年」所言： “反欺诈市场的繁荣，并不是因为技术突飞猛进了，是市场需求爆发了。”

反欺诈之难

不久前，一家业界领先的做机器学习的人工智能初创公司告诉「甲子光年」：常有客户带着迫切的反欺诈需求主动找来，但是， 我们不敢接 。

反欺诈市场盘子这么大，为什么竟然有公司将客户拒之门外？

因为它是整个技术服务领域公认的难点。

「甲子光年」综合了多个业内专家的说法，将反欺诈解决方案按产品形态分为三类，我们可逐一分析：

第一类是黑名单产品和服务。

在几十年前，FICO就已经在用黑名单反欺诈了，它在欧美地区非常知名。如果一个用户在黑名单内，便会被认为是虚假用户。此做法优点是产品轻，接入快。

然而，这种做法的缺陷在于，可能“漏网”，漏掉还没有进入黑名单内的异常用户；还可能“误杀”，一个不小心忘还款的“好人”可能直接变成“恶意用户”；又或者一些用户只在部分情况下违约，“一棍子拍死”进入黑名单，企业就流失了原本的目标用户。此外，黑名单的收集还存在一些网络隐私问题。

第二类是基于安全技术的产品和服务。

这一类，主要指利用验证码、人脸识别等安全技术反欺诈。

这种做法的隐患是，一旦技术被破解，大家却认为该技术还很安全，依旧在使用，后果便不堪设想。比如，今年央视“315”晚会爆出用假脸欺骗人脸识别技术的漏洞，一时引起恐慌。

第三类是基于机器学习技术的服务。

机器学习可以为反欺诈系统提供一个更为全面的评判结果。优势在于，机器学习可以从案例中不断学习，以适应不断更新的欺诈手段。此外，很多黑产从业者素质并不高，不会写代码，运用机器学习后，低素质的从业者自然被排除在外，而素质较高的从业者实施成本也会上升—— 当黑产投入大于产出，自然会选择放弃 。