背景與挑戰：

作為國內最大的商業銀行之一，該行的客戶每天使用該行的信用卡、儲蓄卡產生的線上交易筆數眾多，與此同時該行也面臨著欺詐風險的困擾，伴隨著欺詐分子團伙化、欺詐形式多樣化，新的欺詐手段層出不窮等現狀，該行迫切的需要通過創新的技術手段，去防范整體的欺詐風險，并且隨著欺詐手法的變化不斷的更新迭代。

業務目標：

在外呼能力一定的情況下，使用機器學習模型相比原有的專家規則可以成功覆蓋更多的欺詐交易，從而提升整體的業務效率。在較高準確率的前提下，為事中阻斷交易提供可能性。

難點與關鍵成功因素：

現階段，該行風險部門利用傳統專家規則進行欺詐防控和風險偵測，而持卡人的每一筆線上交易是否存在欺詐風險可以利用該持卡人的歷史交易信息、當前交易信息、設備信息、地址信息等多維度的數據進行精準刻畫，如何有效地利用海量的數據挖掘和刻畫每一筆交易背后的欺詐風險，是本項目的難點與關鍵成功因素。

業務成果：

線上測試結果中，在同樣的48%召回率下，模型的準確率達到了83%，較原有規則提升了316%。
如果每天外呼相同數量的核實電話，模型相比原有規則可多識別58.8%的欺詐交易。

展望未來：

現階段，第四范式的反欺詐解決方案通過機器學習模型與傳統專家規則的結合，實現了多場景、全流程的風險管控。同時，隨著場景的擴充、業務策略的不斷完善，第四范式正在就智能風控平臺進行更加細致的開發和更新迭代，為客戶提供更便捷、高效、靈活、精準、長期可用的風控反欺詐方案。