160万人薅羊毛 大数据风控治不了他们？

来源: 金评媒记者 小丫   

这两年，随着网络借贷行业快速发展，羊毛党也逐步壮大。据了解，目前羊毛党已形成15个以上工种、160余万从业人员、产业规模不低于1000 亿元人民币的产业链。

羊毛党的兴起，也让网贷欺诈行为层出不穷。统计数据显示，每100个拒贷案件中大约有16起涉及不同程度的蓄意造假或欺骗。由于线上造假成本低廉，诈骗技术不断更新，代办公司迅速崛起，社会个人征信体系不完善等原因，网贷行业已成为诈骗者竞相追逐的“蛋糕”。

所谓“羊毛党”，是指有选择地参与各互联网渠道的优惠促销活动，以相对较低的成本甚至零成本换取物质上实惠的人群。界定羊毛党的关键特征是，多频率、有组织地在单次营销活动中多次获取优惠金额的的行为，其实质是由于其薅羊毛的行为侵占了其他用户本应享受的活动优惠。

近年来，羊毛党非常猖獗。几年前，广州的一家互联网金融公司为了获客，发行了价值2个亿的各类优惠券。但在不到半年的时间，公司便宣告倒闭。原来这些优惠券，全部都被一个5000人的“羊毛党”团队抢走了。他们抢了优惠券后，全部用于购买期限在半年内兑换的理财产品，而金融公司在短期内没有足够的资金应对，最终导致破产。

《数字金融反欺诈白皮书》显示：

根据一家第三方大数据服务公司的观察，进阶的羊毛党，已开始规模化专业化：

第一代羊毛党多是一些“爱占小便宜”的散客，他们常常是零散进行薅羊毛活动，属于“业余玩家”。

第二代羊毛党是工具化的“职业玩家”。一方面，他们会使用代理IP让反欺诈系统无法判断它的位置；另一方面，他们还使用大量的虚拟号自动注册，甚至有专门的收码平台帮你输入验证码，费用从每次1毛到2.5毛不等。

第三代羊毛党是“团长羊毛党”，属于羊毛党中的“正规军”，他们有组织、有纪律，利用手中的羊毛联盟等资源进行刷单刷量，获取经济效益。

这种恶意羊毛党团伙是很多金融机构搞营销的天敌，别说是风控技术较弱的民营平台，就算是银行信用卡中心搞红包、返利这些活动，有时候也会遇到这些人的狙击，最后专项营销费用超过50%甚至高达70%都进了他们的口袋。

在一次行业沙龙中，资深互金专家鲍先森介绍，目前市场上常用的防范恶意欺诈的方式主要有三种。

第一种是利用黑名单机制，来拒绝一些恶意欺诈人获得贷款。但是黑名单共享机制时效差，并且很多平台不太愿意共享自己的黑名单。另外，黑名单覆盖率较低也是一个挑战。

第二种是利用共享贷款数据机制，第三方企业或者大的P2P、防欺诈联盟共享贷款平台的贷款记录。其他贷款平台可以依据申请人在其他平台的贷款记录来决定是否提供贷款，降低欺诈风险。但是这种方式对于最先受理恶意欺诈的贷款平台是无效的，原因是没有其他平台的贷款记录，无法识别出贷款者是否属于恶意欺诈。

第三种是借助于平台自己的风控模型，依据坏种子归纳出来的规律，识别出恶意欺诈申请者。这种方式基本采用信息验证，特征匹配，行为分析等方式来识别出贷款用户是否属于恶意欺诈。企业利用风险评分卡来对用户进行评估，依据评分结果来决定是否贷款给客户。

目前，借贷平台常用的一招是，要求读取借款人的通讯录、短信。其主要目的，就是从通讯录中寻找是否有加入“黑名单”的人——比如已证实的骗贷者或老赖。而读取短信是为了寻找多个平台借款的线索：譬如，其他借贷平台的验证码、逾期催款信息等。如果这些都存在，无疑，这个借款者是“高危”的。

一些平台还需要半年的银行流水，证明自己有固定工资。还有一些平台要求读取邮件，其目的，就是查看用户是否有信用卡。一般能通过银行的审核，办下信用卡的，是借贷者的重要加分项。

在鲍先森看来，从地理位置切入防范欺诈，也是一个非常不错的选择。

从数据的角度来看，郑州的借贷市场欺诈现象较多，其次是成都。

从风控角度讲，“我可以解决你有钱不还的问题，但解决不了你想还但是没钱的问题”。具体来说，通过数据可以判断这个人有钱但不还，比如你有房产、有汽车、有消费；但有些人本来就没钱，那怎么还？

另外一种情况是，有些平台为争取流量，主动放低风险“门槛”，这时候大数据风控也是无能为力。

根据鲍先森的分析，大数据风控同传统风控在本质上没有区别，主要区别在于风控模型数据输入的纬度和数据关联性分析。

据了解，传统金融机构在找合格贷款人时，基本上都会依赖还款能力做风控，形成一套传统风控，重要的输入维度有个人学历、职业、收入、资产、信用记录和交易流水等。另外，用得最多的是个人信用评分卡，计算学历、职业、月流水年龄进行占比打分。

相比之下，在互联网金融领域，大多数平台由于没有接入人行征信系统，无法拿到客户全维度信用信息，在实施信用风险评估时，仅能够依靠客户提供信息进行验证。

毋庸置疑，大数据风控的一个最大的优势就是丰富了信用风险评估的数据纬度，可以提供全面的数据（数据的广度），强相关数据（数据的深度），实效性数据（数据的鲜活度）。但是它不能取代传统风控的模型和数据，信用风险评估最好的数据还是金融数据，就是人行征信系统里的数据。

从实际情况看，互联网金融企业的信用损失体现在两个方面：一个是客户恶意欺诈，另外一是客户信贷违约。数据显示，恶意欺诈占了60%左右。

据鲍先森介绍，“恶意欺诈基本上以团伙作案为主，并且这些人越来越聪明，技术手段越来越先进，越来越进化，很难找到公共特征，也很难归纳，不容易及时发现。”

由于恶意欺诈的共性信息较少，互联网金融公司只能依靠自己的业务不断积累，利用自己平台积累的数据和种子来解决这个问题。

“中国缺少个人征信评分，造成客户信贷违约成本较低，个人贷款的违约，目前对客户的正常社会生活和商业行为影响不大。”鲍先森说。

来源: 金评媒记者 小丫

爱财经