如今，信用卡盗刷、电信诈骗等交易欺诈事件总能挑起公众敏感的神经，带来对“钱包”安全的持续忧虑。
中国法院网报道：某不法分子通过伪造的信用卡，在一家珠宝店盗刷消费者9.28万元。法院审理后判决发卡行、收单机构、商户应该共同承担这笔损失，其中，被告银行赔偿3.712万元，商户自行承担2.784万元。
交易欺诈已成黑色产业链
这类的事件已经屡见不鲜，信用卡盗刷是怎么发生的？有没有方式可以封堵这种行为呢？要解释这个问题，让我们首先看一下银行卡的交易流程。
在线下交易中，持卡人在商户消费刷卡之后，收单行会先判断这张卡是否可用；确认无误后，会把请求通过中国银联等银行卡组织，间接地向发卡行请求交易授权；发卡行同意授权，就把授权应答通过银行卡组织回传，这时候持卡和商户就可以进行交易了。
在整个银行卡的交易流程中，发卡行负有保障持卡人用卡安全的义务；收单机构负有特约商户收单业务管理责任及保障交易和信息安全的义务；持卡人负有妥善保管银行卡及密码的义务；特约商户负有审核持卡人真实身份和银行卡真伪的义务；这其中任何一个环节出现问题，都会给不法分子带来通过欺诈获利的空间。
分析显示，目前常见的欺诈模式有申请欺诈、交易欺诈等，文章开头提到的案例属于伪卡欺诈，是交易欺诈中最常见的一种欺诈手段。
分析显示，不法分子往往通过以下几种方式来伪造银行卡：
1、通过账号生成软件模拟卡号。
2、使用带有记忆储存设备的读卡机（侧录器）记录真实的银行卡信息，并在空白卡片上贴上磁条，输入侧录的代码，伪造卡片。
3、对丢失卡、被盗卡、未达卡（没有寄达或是启用的银行卡）、过期卡等银行卡进行改造，重新制卡或写磁。
4、冒充真实持卡人身份进行挂失后获取新卡片。
信用卡欺诈风险日趋增多
据中国银联发布的《中国银行卡产业发展报告（2017）》显示，2016年-2017年借记卡的主要欺诈手段主要是电信诈骗、互联网诈骗、伪卡欺诈。在信用卡欺诈中，伪卡欺诈手段占比降低，但伪卡欺诈损失仍排名第一。
除了交易欺诈之外，申请欺诈与商户欺诈的风险也不可忽视。前者是不法分子通过虚假的身份或者资料违规申请银行卡；而在商户欺诈中，通过信用卡在POS机上的交易进行违规套现、利用刷卡洗单、合谋受理伪假卡等行为也屡见不鲜，其往往利用的是信用卡交易的漏洞，并通过收取一定份额的佣金等方式谋利。
以上这些行为不仅会直接带来经济损失，更给银行的正常业务运营带来了极大的风险。
顶象帮助银行构建信用反欺诈模型
某银行在以信用卡收款为支付方式的跨境电商支付交易中，欺诈交易风险突出。此外，伪卡欺诈、虚假申请、互联网欺诈等行为也是该银行面临的重要欺诈风险。
该银行利用顶象智能分析平台构建了基于业务需求的风控模型，有效提升交易反欺诈能力。
首先，利用智能分析平台对银行百万量级的数据进行清洗，通过删除无意义字段，清洗缺失率高、单一取值、或者分布完全相同的数据，降低了数据的规模，为数据的快速分析与建模奠定了基础。
随后，对这些数据进行预处理，从海量数据中提取可用特征，建立大宽表。在宽表搭建中以商户、个人、商户与个人三方面作为汇总对象，将交易次数、交易金额、交易币种、交易时间间隔、不同商户数、总交易次数等作为字段，并分别选择不同的时间区段作为时间窗口，实现对于各种统计值数据的汇总。
通过数据预处理，整理出以下几个显著特征：
1、交易中整体的欺诈比例为2%-3%。
2、大部分交易欺诈均为由非持卡人本人发起的交易，而且在较短时间内大量用卡，所涉及金额较大。
3、交易笔数在120-150笔的商户交易欺诈率达到50%。随着交易笔数的增加，尤其是交易笔数达到2000笔及以上的商户，出现商户欺诈的可能降低，交易量150笔以下的商户应重点监测。
4、给定数据中仍有极个别交易笔数达到数千笔的同时，欺诈交易笔数达到1000+的商户，这说明目前的欺诈侦测手段尚不成熟，未能及时发现可疑商户。
5、从欺诈率来看，交易笔数较少的商户的欺诈率更高，更容易产生欺诈行为。
基于以上数据，顶象智能分析平台衍生了几千维度的重要特征，按照一定的比例划分训练、验证数据集，使用合适的机器学习模型，使模型AUC（Area Under The Curve）达到 0.75以上。随后对于模型训练的数据进行调整，对样本进行采样调整后进入模型训练，实现了当准确率达到90%以上，可以覆盖70%的欺诈交易。
在模型训练之后，最终选取预测排名前列的数据作为最终的预测名单，达到了极高的命中率。
顶象智能分析平台涵盖数据传输、数据存储、数据管理、数据ETL、AI建模等功能，可以极大地降低企业使用人工智能技术的门槛，企业只需要提供相关数据即可实现数据ETL，建模等全部操作，通过离线调度、实时分析决策等加快数据的分析和应用，加速企业应用最新的AI技术。