**摘要**：以“数字金融新原力(The New Force of Digital Finance)”为主题，蚂蚁金服ATEC城市峰会于2019年1月4日上海如期举办。金融智能专场分论坛上，蚂蚁金服数据技术专家王修坤做了主题为《实时智能决策引擎在蚂蚁金服风险管理中的实践》的精彩分享。
在演讲中，王修坤分享了互联网保险产品场景化、高频化和碎片化的典型特征以及在风险控制方面所面临的诸多挑战，并为大家介绍了实时智能决策引擎在蚂蚁金服风险管理中的实践。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190223181508319.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDMyNjU4OQ==,size_16,color_FFFFFF,t_70)
王修坤 蚂蚁金服保险事业群数据技术专家

我们团队先后推出保障消费者退货权益的退货运费险、保障支付宝资金资金安全的账号安全险以及基于AI模型的车险定损产品的定损宝等，这些产品背后都离不开数据能力支撑，本文将简单分享过去一年风控相关工作。

## 互联网保险特征：场景化、高频化、碎片化

分享之前，简单介绍一下互联网保险的三个典型特征：场景化、高频化、碎片化。

- 场景化：我们的产品覆盖了我们的衣食住行各方面，“衣”有保障服饰质量的质量保证保险，“食”有保障食品安全的食品安全险，“住”有提供信用住的担保保险，“行”有提供骑行意外险等；
 - 高频化：互联网的便捷可以帮助我们通过产品可以同我们的用户高频交互，提供优质体验；
 - 碎片化：相比较传统保险，我们可以随时投保、分期缴纳保费；
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190223181702614.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDMyNjU4OQ==,size_16,color_FFFFFF,t_70)

## 风控所面临的问题

**风控场景复杂：** 我们的产品覆盖了衣食住行方方面面，如何再大量不同场景下建立合适的风控解决方案。

**风险规模聚集：** 互联网为用户提供便捷的同时，也可能给不法分子提供了便捷，从而使得相比较传统场景，风控能力表现尤为重要。

**风险变异高频：** 互联网的试错成本较低，这使得对手能够不断地去验证保险产品的风控策略，并寻找产品的弱点和漏洞，通过高频变异来想法设法绕开保险产品的风控规则。

**实时风控能力：** 我们在提供实时理赔的极致服务体验同时，背后就需要实时风控能力保驾护航。

## 实时智能决策平台

那么，如何解决上述问题和挑战呢？在过去的一年中，我们基于实时智能决策平台DecisionX构建了一站式风控解决方案。实时智能决策平台DecisionX不仅能够支持整个风控全链路的工作，还可以支持包括决策、开发、管理、运维以及后端分析、监控等在内的所有工作。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190223181816786.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDMyNjU4OQ==,size_16,color_FFFFFF,t_70)

## 全链路风控解决方案
在过去一年里，我们基于实时智能决策平台DecisionX建设了从风险监控、风险识别、风险分析到知识沉淀的全链路解决方案。风险监控帮助我们从宏观层面把握风险态势；风险识别帮助我们从微观层面感知风险；发现可疑风险之后，我们需要进行对风险拆解分析，定性风险；完成案件分析后，需要挖掘特征从而优化提升风控能力。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190223181835958.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDMyNjU4OQ==,size_16,color_FFFFFF,t_70)

## 实时智能决策平台对于算法的支持

除了上述全链路风控解决方案能够很好支持以外，DecisionX还在垂直深度提供优质的解决方案，接下来举例说明如何提供AI算法能力支持。

## 关系异常识别

基于关系的图算法模型是保险风控反欺诈的一个比较有效的能力，如何基于图算法进行社群识别是我们面对的一种重要工作，下面几种常用算法：

- 标签传播：一种可以基于网络关系，根据标签数据节点和无标签数据节点，通过传播标签从而达到对社群关系的圈定和识别。
 - 异常网络结构识别：通过提炼各种风险的网络结构特征，通过寻找类似网络结构特征，从而识别相似可疑的社群内容。
 - 关系表征：除了上述方法以外，通过图关系表征相关算法，可疑将关系特征向量化，从而可以融入传统机器学习进行模型训练。

除了上述场景之外，蚂蚁还做了很多关系层面的尝试，这里不再赘述了。所以，DecisionX帮助我们连接关系算法，有效地提升风控能力。

## 异常图片识别

保险理赔需要上传材料，利用材料造假是骗保的一个重要手段，因此我们也基于图片研究了多种风控能力：

- 图片特征相似：通过图像识别算法识别理赔图片中是否存在相似特征等，再结合其它特征综合判断材料是否虚假等。
 - 目标物体分类：通过图像识别算法识别图片目标物体，过滤明显不符合理赔材料需求的无效材料，减少人工审核成本等。

## 案例分析

这里举一个2B产品的例子，该产品可以为用户提供履约担保，从而帮助用户解决缴纳保证金的痛点，但是对于信用偏低的用户提供了“机会”，所以产品上线之后，前前后后多次受到了大批量攻击。去年，我们重新建设了这款产品的风控体系，一方面基于平台建设了风险监控预警能力，解决风险感知薄弱滞后问题，一方面基于平台建设基于异常识别算法、图挖掘算法、隐案挖掘算法等建设风险识别能力，最后基于平台提供的解决方案部署风控能力，从而有效减少骗保风险。新风控方案上线后两个月，在覆盖人群更大的情况下，使得案件量大约下降90%，从而良性发展创造了很多可能性。

我们还有很多保险反欺诈场景，包括大家熟知运费险、账号安全险等，我们开发了多种类型的风控原子能力，在多元化场景上筛选组合配置，从而形成各类产品的风控手段。总之，任何产品的风控都是一个持续对抗的过程。也正是因为有对手的存在，所以成就了现在的我们。
点击[阅读更多](https://tech.antfin.com/articles?chInfo=zh)，查看更多详情

ITPub博客

实时智能决策引擎在蚂蚁金服风险管理中的实践

最新文章