稻盛和夫说：。毕竟，金融产品创新应该回到最初的本质，即以金融业务的核心功能为出发点，用底层思维思考产品的底层逻辑，用同理心洞察人性。金融产品经理可以从第一原则出发，运用解释逻辑，推动智能推荐、金融反欺诈、贷款工厂的业务逻辑，培养底层思维。
作者：朱学敏来源：华章计算机（hzbook_jsj）
银行围绕核心企业管理上下游中小企业的信息流、资本流、业务流和物流，将单个企业的不可控风险转化为供应链企业的整体可控风险，通过整个链接获取各种信息，最大限度地控制风险。这种金融服务是供应链金融。
数字供应链金融是金融企业数字化转型的必然趋势之一。依托大数据风险控制和数字技术，连接资本端和资产端，供应链金融业务形式逐步数字化KYB/C 数据管理 数字金融 消费场景提供数字供应链金融解决方案，如图1所示。供应链金融的数字化主要包括和构建数字金融生态系统。
图1 数字供应链金融业务形式
在数字时代，金融企业通过数字应用打破信息和信用不对称的问题，改善供应链金融生态，成为供应链金融的新贵。蚂蚁金服、京东数字科、苏宁金融等都是典型的代表。
据说场景在前面，金融在后面。供应链金融的应用场景包括贸易融资、预付款采购、融资租赁、仓储金融、企业信用卡、保理融资、承兑汇票、商业票贴现等。然而，面对供应链汽车金融的各种应用场景，企业的主要问题是金融欺诈。
1
反欺诈数据层
金融欺诈是指借款人以虚构数据、隐瞒事实的方式骗取贷款，申请贷款后主观无偿还意愿或客观无偿还能力，可能造成贷款人资金损失的行为。常见的金融欺诈类型包括虚假用户注册、企业欺诈、金融钓鱼网站、病毒木马程序、账户隐私盗窃、融资现金、他人欺诈等，如图2所示。
图2 常见的金融欺诈类型
金融反欺诈模型的底层是数据层，即数据源。反欺诈建模需要从不同的数据源收集多维数据，数据源越多越好，尤其是支付、贷款援助和信用调查的大数据公司。
以企业数字融资为例，在完成金融贷款业务申请、信用、建设、提款、还款等过程中，欺诈者可以通过信息流、业务流、数据流等信用欺诈手段获得银行申请信用，获得银行贷款，如图3所示。
图3 企业数字融资欺诈
欺诈者以“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”的形式用获得的用户名和密码在其他网站批量尝试登录，进而盗取更有价值的东西；以“洗库”的形式通过一系列技术手段和黑色产业链得到有价值的用户数据并变现。
：欺诈者根据变量和模型输出，判断变量范围内的不同值是否符合信用模型的条件。如果他们击中多个规则，他们将做出决策改变和风险判断，直到他们找到所有合格的值。
：根据欺诈主体、欺诈渠道、欺诈阶段等维度，欺诈者采取不同的欺诈行为，如虚假增加固定资产、交易流程、项目利润等数据，满足政策准入条件或通过系统规则检测。
因此，当我们进行反欺诈时，我们需要获得数据黑名单、长期贷款等信息，以进行贷前风险控制和贷款预警，提高企业融资申请的准入门槛，实时判断每笔交易的风险。
2
反欺诈规则层
建立反欺诈规则的目的是识别恶意贷款欺诈的用户和真正的贷款用户，并预测贷款欺诈的风险。根据不同的商业模式和场景，金融反欺诈可分为基于规则的反欺诈和基于模型的反欺诈。
供应链金融欺诈是借款人利用金融规则漏洞，以虚假交易数据和虚假业务数据作为供应链金融信用额度的依据，如图4所示。例如，在贸易融资环节，欺诈者反复质押或伪造合同等相关凭证，欺骗银行信用证、承兑汇票，然后获得供应链金融资金。
图4 供应链金融欺诈
面对金融欺诈的风险，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，我们将验证人脸的身份验证、属性分析、特征比较、人脸库搜索、现场检测等规则，防止信用欺诈的申请，即贷款前申请准入的前挡板，如图5所示。
图5 企业融资人脸识别
在人脸识别中，我们通过建立决策变量预测模型来识别客户的面部，其中机器学习算法涉及一些人脸识别模型参数，如表1所示。
表1 人脸识别模型参数
反欺诈是供应链金融的重要组成部分，反欺诈规则是供应链金融企业的核心内容。贷款审计规则主要包括直接拒绝规则、反欺诈规则和信用评分规则。我们可以根据公司的业务制定具体的规则。
我们可以通过决策树的可视化模型，制定政策准入条件和系统检测规则，收集用户的基本信息、贷款数据和交易数据，提取决策变量组合，构建反欺诈规则集。例如，我们将年龄不符合要求、高风险地区、历史贷款申请黑名单作为贷款直接拒绝规则，对企业贷款进行申请准入条件验证，将不符合规定的借款人排除在申请之外，如表2所示。
表2 贷款直接拒绝规则
此外，我们还可以在贷款前、贷款中、贷款后对借款人进行测试，准确识别长期申请、多次贷款、拒绝贷款、逾期贷款等行为，以确定客户是否获得贷款信用。例如，我们将企业申请总数、贷款总数、被拒贷总数、申请总数、贷款总数、被拒贷总数、近30/90/180/360天逾期总数作为反欺诈规则，对企业信用进行预审批，对用户评分进行规则验证，避免长期贷款或申请过多，如表3所示。
表3 反欺诈贷款规则
反欺诈是通过收集和分析内部和外部数据来构建规则引擎，找出接触访问规则的欺诈信息，以防止欺诈的发生。
3
反欺诈配置层
对于供应链金融，在解决上下游企业融资困难的问题时，还应确保随后的金融欺诈风险可控。关键在于反欺诈风险控制系统的规则配置。我们可以通过审计过程、产品参数、业务表单、规则引擎等配置系统规则来实现。
进入数字金融时代，数字技术支持供应链金融构建数据、技术、场景三位一体的反欺诈体系。数字金融反欺诈从数据采集、数据清洗、特征工程、算法研究、决策引擎、监控迭代等方面，通过数字技术实现规则配置的线上化、流程化和数字化，从而降低开发成本，如图6所示。常见的反欺诈系统包括用户行为风险识别引擎、中国人民银行信用调查系统、黑名单管理系统等。
图6 反欺诈数字金融系统
以黑名单管理系统为例，我们可以灵活配置黑名单隔离规则，如设备黑名单IP及LBS黑名单、中介黑名单、手机号码黑名单、法院黑名单、逾期黑名单等决策。数字金融反欺诈策略可分为数据采集、数据清理、特征工程、算法研究、决策引擎、监控迭代等，规则配置后动态优化参数。
归根结底，供应链金融欺诈是对企业经营行为的欺诈。以汽车融资租赁为例，整个交易环节涉及出租人和承租人的投融资、供应商的设备推广、租赁资产交易、资产后续处置等。交易确实存在，但没有实际的工业产出，如图7所示。汽车融资租赁的欺诈风险包括申请欺诈、低信用和坏账。
图7 融资租赁欺诈
数据欺诈（企业业务数据人为欺诈）、身份欺诈（他人身份证信息）、未知使用（贷款资金没有明确使用场景）。
长期贷款（借款人向多个金融平台申请贷款）、合同欺诈（通过虚构事实、隐瞒真相、设置陷阱等方式诱使对方签订或履行合同）、虚假交易（不存在、不真实的交易行为）。
人车失踪(无法联系借款人，无法定位跟踪车辆)、经营异常(企业被工商局列为经营异常)、恶意拖欠(企业或个人恶意拖欠贷款)。
4
反欺诈策略层
反欺诈业务层建模，首先得有策略。在反欺诈策略的基础上，我们可以通过人工智能、大数据、机器学习和区块链等数字技术，建立实时数据采集、实时数据处理和实时欺诈发现的数字化反欺诈平台，如图8所示。
图8 数字化反欺诈平台
常见的反欺诈策略有OCR识别、用户信息校验、命中黑名单、命中多头借贷、手机号校验、运营商认证、银行卡实名认证、人脸识别、活体验证、三方数据比对、设备信息检测、关系图谱分析、用户行为数据等。
以供应链融资的设备埋点反欺诈为例，客户完成授信后，我们从设备信息验证和设备指纹识别中，提取符合反欺诈特征标签的数据，进一步搭建反欺诈模型。结合历史放贷样本，我们可使用Lightgbm和XGBoost框架进行机器学习和深度学习，从而得到欺诈评分或欺诈规则，确保数据符合准入策略、认证策略和支用策略，以便实时输出判定结果，识别金融反欺诈风险。
在供应链金融业务中，反欺诈模型起着很重要的作用。从关系图谱上，我们能够了解关联企业的经营关系；从客户画像上，能够识别恶意客户与行为数据；从数据挖掘上，能够判断企业真实的经营状况。
供应链金融的发展趋势必然是数字化。我们可通过提升产业金融的数字化基础，加速供应链金融企业的数字化进程。数字化供应链金融的反欺诈就是通过数字技术和决策引擎来提升供应链上的风险识别能力，从而有效地改善核心企业现金流，降低资产负债率，增加上下游客户黏性。
朱学敏（Demon Zhu）
资深产品经理，PMLink产品经理社区创始人，在技术、管理和产品领域均有深厚积累，在金融产品领域的实践经验尤为丰富。
本文摘编自《金融产品方法论》，经出版方授权发布。（ISBN：9787111701064）
点击以上链接了解及购买
转载请联系微信：zj06220_0
这既是一本金融产品经理的能力修炼精进指南和日常工作的案头参考手册，又是一本金融企业数字化转型的策略指导与实操指南。本书是资深金融产品专家多年经验的总结，深刻地阐释了金融背后的产品观，是金融贷款、金融理财、金融支付等领域的集大成之作。
更多精彩回顾
书讯 | 2月书讯（下）| 新年到，新书到！
书讯 | 2月书讯 （上）| 新年到，新书到！
资讯 | Python迎来31岁生日，蝉联年度编程语言排行榜冠军
书单 | 2022 年前端趋势的 6 个预测
干货 | 机器人数量增长不会减少人类就业机会，反会促增岗位数量？
收藏 | 大脑如何做算术？加减法都有专用神经元，符号文字都能激活同一组
上新 | 下一代无线通信网络：博弈建模、分析与设计
赠书 | 【第93期】谁是元宇宙的“基础设施”?
点击购买