2、信贷欺诈基础：欺诈类型、欺诈生命周期与常见欺诈场景

信贷欺诈是金融风险领域中攻击面最广、手法迭代最快的风险类型之一。理解欺诈的本质，不能仅停留在“有人骗贷”的感性认知层面，而需要建立一套结构化的分析框架：欺诈类型决定了我们需要采集哪些特征，欺诈生命周期决定了我们在哪个环节部署策略，常见欺诈场景则决定了模型与规则的实际战场。本章作为反欺诈特征工程与团伙识别的地基，将系统拆解这三部分核心内容，帮助学员建立从“单点欺诈”到“团伙欺诈”的完整认知路径。

2.1 信贷欺诈的核心类型与特征差异

2.1.1 核心原理：欺诈类型决定特征维度

信贷欺诈并非单一行为，而是多种欺诈手法的统称。从风控视角看，不同类型的欺诈在数据表现上存在显著差异，因此特征工程必须“因型施策”。我们将信贷欺诈划分为以下四大核心类型：

2.1.2 判断方法：如何快速区分欺诈类型

在风控策略落地时，我们通常通过以下三个步骤快速判断欺诈类型：

1. 第一步：看“人”是否真实——核验申请人身份信息是否真实存在、是否本人操作。若身份信息为真但操作非本人，则偏向身份盗用；若身份信息本身为伪造，则偏向申请欺诈。
2. 第二步：看“资料”是否真实——核验收入证明、工作单位、联系人信息等是否可验证。若资料存在明显包装痕迹，则偏向申请欺诈。
3. 第三步：看“资金”流向是否异常——若放款后资金快速转出至陌生账户或用于非消费场景，则偏向交易欺诈或团伙欺诈。

2.1.3 案例拆解：一个典型的“身份盗用+申请欺诈”复合案件

背景与约束：某消费金融平台在2023年Q2发现，一批新注册用户集中在凌晨2点至5点提交借款申请，且借款金额均为2万元（该平台最高可借额度）。这批用户的征信报告均显示“近期无贷款记录”，但手机号实名认证时间均在1个月内。

初始现象：平台反欺诈系统命中“新手机号+夜间申请”规则，但单一规则无法确认欺诈性质。

分析判断过程：

• 设备指纹分析发现：这批用户中约70%的设备指纹相同或高度相似（同一台设备通过模拟器修改参数）；
• 联系人分析发现：用户填写的紧急联系人手机号存在大量重叠，且这些手机号均为“养号”号码（无通话记录、无社交活跃度）；
• 活体检测数据：部分用户的人脸识别通过率异常高，但动作幅度和光线环境高度一致，疑似使用“深度伪造”技术。

实际操作步骤：平台将上述特征组合为“设备聚集度+联系人重叠度+活体异常”三合一规则，并引入图数据库进行关联分析，最终识别出一个涉及37个申请账号、12台设备的欺诈团伙。

结果对比：规则上线后，该类型欺诈申请量下降82%，拦截率提升至91%。

复盘经验：单一特征无法识别复合型欺诈，必须将设备、行为、关系图谱三类特征交叉验证。

2.2 欺诈生命周期：从准备到变现的五个阶段

2.2.1 核心原理：生命周期各阶段特征差异显著

欺诈行为不是瞬间完成的，而是遵循一个可预测的生命周期。理解生命周期有助于我们在不同阶段部署差异化策略。我们将欺诈生命周期划分为五个阶段：

2.2.2 判断方法：生命周期阶段识别流程

在实时风控系统中，我们通过以下流程判断当前请求处于哪个生命周期阶段：

1. 设备与账号历史检查：查询设备指纹是否在历史黑名单中、账号注册时长、历史行为轨迹。
2. 当前行为序列分析：分析用户从注册到申请的操作路径、时间间隔、页面停留时长。
3. 资料完整性与一致性校验：检查上传资料是否存在PS痕迹、信息是否与第三方数据源一致。
4. 资金流向预判：若已放款，监控资金是否快速转出至可疑账户。

2.2.3 案例拆解：一个“养号”团伙的完整生命周期

背景与约束：某互联网银行发现，一批用户注册后不立即申请借款，而是先进行“浏览理财产品、修改头像、绑定银行卡”等正常操作，持续7-15天后才提交借款申请。

初始现象：这些用户的借款通过率与正常用户无显著差异，但逾期率在M3+阶段高达45%。

分析判断过程：

• 通过设备指纹回溯发现，这批用户注册时使用的设备在3个月前曾关联过一批已逾期账号；
• 行为序列分析显示，这些用户的“养号”操作路径高度一致（浏览→绑卡→修改资料→申请），且操作时间集中在每日20:00-22:00；
• 资金流向分析发现，放款后资金在2小时内转入同一批第三方支付账户。

实际操作步骤：平台建立“设备历史关联+行为序列相似度+资金归集账户”三重特征，并开发了“养号行为识别模型”，对注册后7天内行为进行评分。

结果对比：模型上线后，该团伙的逾期率从45%降至6%，同时拦截了约200万元的潜在损失。

复盘经验：生命周期分析不能只看“申请时点”，必须回溯注册期和贷后资金流向，形成全链路监控。

2.3 常见欺诈场景与实战应对

2.3.1 核心原理：场景化思维是特征工程的关键

欺诈场景是欺诈类型与生命周期在具体业务中的“投影”。不同产品（现金贷、消费分期、信用卡）面临的欺诈场景差异巨大。以下是信贷领域最常见的五大欺诈场景：

2.3.2 判断方法：场景识别与策略匹配

场景化风控的核心是“识别场景→匹配策略”。具体操作流程如下：

1. 场景触发：当用户请求进入风控引擎时，先通过规则集判断当前请求属于哪个场景（如设备聚集度>5触发“团伙包装”场景）。
2. 特征增强：针对不同场景，动态加载额外的特征维度（如团伙场景加载图特征、伪冒场景加载活体深度特征）。
3. 策略差异化：不同场景配置不同的阈值和决策策略（如团伙场景直接拒绝，伪冒场景转人工审核）。

2.3.3 案例拆解：一个“中介代办”场景的识别与处置

背景与约束：某助贷平台与多家资金方合作，发现来自某地区的申请通过率高于平均水平，但M1+逾期率也显著偏高。

初始现象：该地区申请用户的工作单位集中在少数几家公司，且这些公司在工商系统中均显示“注册资本低、成立时间短”。

分析判断过程：

• 通过用户授权数据发现，这些申请的操作设备均安装有“贷款中介”类APP；
• 申请时间集中在工作日上午10:00-11:30，且操作时长平均仅3分钟（正常用户需8分钟以上）；
• 联系人信息中，超过60%的用户填写了相同的中介手机号。

实际操作步骤：平台开发了“中介识别模型”，特征包括：设备安装APP列表、操作时长、单位集中度、联系人重叠度。同时建立“中介黑名单库”，对命中用户进行拒绝并关联拉黑。

结果对比：策略上线后，该地区申请量下降35%，但整体逾期率下降22%，通过用户的质量显著提升。

复盘经验：中介代办场景的核心特征是“操作效率异常高”和“信息过度规整”，这两点可以通过行为序列和关系图谱特征有效捕捉。

2.3.4 常见误区与总结复盘

在信贷反欺诈特征工程中，以下误区需要特别警惕：

• 误区一：过度依赖单一特征。例如仅依赖设备指纹，但欺诈团伙可通过模拟器修改设备参数绕过。
• 误区二：忽视时间维度。欺诈特征往往具有时效性，例如“养号”行为需要观察7-15天，只看申请时点数据会漏掉大量信号。
• 误区三：场景割裂。将申请欺诈、交易欺诈、账户接管分开建模，忽略了欺诈团伙可能同时使用多种手法。
• 误区四：缺乏团伙视角。只关注单个申请的风险，没有通过图数据库分析申请之间的关联性。