騙子也玩大數(shù)據(jù)？來自數(shù)據(jù)分析師的揭秘

近年在很多揭露詐騙的報(bào)道中，常常出現(xiàn)老太太接到電話說孫子出事了、老板接到電話說稅務(wù)局要查稅等案例，為什么現(xiàn)在騙子“對(duì)號(hào)入座”的本事這么強(qiáng)?

其實(shí)，這與騙子們從“撒網(wǎng)式詐騙”向“精準(zhǔn)詐騙”升級(jí)有著密切關(guān)系。這年頭競爭這么激烈，有一批騙子已經(jīng)進(jìn)化為具有大數(shù)據(jù)工匠精神的大騙子。據(jù)了解，很多騙子在非法獲取個(gè)人信息之后，會(huì)利用大數(shù)據(jù)方法進(jìn)行分析，并根據(jù)用戶信息的特點(diǎn)設(shè)計(jì)詐騙環(huán)節(jié)和故事，從而進(jìn)行“精準(zhǔn)式詐騙”。而“航班取消”、“二胎生育退費(fèi)”、“推薦必漲股票”、“交通違章提醒”、“信用卡提額”等等，都成為騙子慣用的手法。

其實(shí)，這些伎倆在專業(yè)的數(shù)據(jù)分析員眼里，其實(shí)并非什么神奇的事情。

想要騙到你，騙子最需要以下三類數(shù)據(jù)

想要成為一個(gè)成功率高的大騙子，首先必須獲得客戶數(shù)據(jù)，無論這數(shù)據(jù)是通過廣撒 “木馬”搜集來的，還是在地下數(shù)據(jù)交易市場弄來的，在這各種類別的數(shù)據(jù)中，有三類是騙子們比較關(guān)注的：

一是身份類信息，最常見的是姓名與身份證號(hào)的表格，這種信息出貨多，泄露渠道多樣，市場上供大于求。還有些擴(kuò)充了性別、年齡、工作單位、職級(jí)、年收入等，通常來源于收入調(diào)查與黑客拖庫數(shù)據(jù)。

二是金融類信息，姓名、銀行卡號(hào)、信用卡卡號(hào)、開卡行、手機(jī)、地址、信用額度等數(shù)據(jù)，此數(shù)據(jù)大部分來源于制卡郵寄等環(huán)節(jié)的信息泄露，制卡工廠、快遞公司、郵局、物流點(diǎn)都有可能成為泄露點(diǎn)，另一小部分是內(nèi)鬼數(shù)據(jù)，市場供不應(yīng)求、價(jià)值極高。

三是金融賬號(hào)密碼，主要是各大銀行登錄類的，通常是黑客數(shù)據(jù)，來源于釣魚、撞庫等黑客行為，通過此類數(shù)據(jù)往往能獲得更詳細(xì)的金融數(shù)據(jù)，如詳細(xì)交易流水。

利用特征選擇進(jìn)行“精準(zhǔn)欺詐”

一旦騙子拿到了上述這些數(shù)據(jù)，接下來他就要篩選出易騙人群進(jìn)行“對(duì)號(hào)入座”。只要運(yùn)用大數(shù)據(jù)的思維方式， “選擇易騙人群”這個(gè)需求就變成了一個(gè)有監(jiān)督的模型學(xué)習(xí)問題。而一般針對(duì)監(jiān)督模型的特征選擇有如下五種方法：

利用相關(guān)性對(duì)變量進(jìn)行排序

自變量x1,x2,..xn，目標(biāo)變量y，變量xi和y的相關(guān)性越高，則xi所包含的用于預(yù)測y的信息量越大，從而其排序越高?？梢杂肞earson相關(guān)系數(shù)來衡量兩個(gè)變量的線性相關(guān)性：

利用Pearson相關(guān)系數(shù)來做變量排序有以下問題：

(1)只考慮單一變量的重要性，很多變量單獨(dú)存在時(shí)沒有用，但和其他變量結(jié)合在一起后則會(huì)起到顯著作用;

(2)依賴于自變量和目標(biāo)變量之間的線性假設(shè)。

(3)適用于回歸問題，即，目標(biāo)變量y是連續(xù)的，對(duì)于分類問題應(yīng)用起來需要謹(jǐn)慎。

單變量分類器

如1里面提到的，對(duì)于分類問題，利用相關(guān)性對(duì)變量進(jìn)行排序可能會(huì)出現(xiàn)問題。一個(gè)簡單的將上述思路拓展到分類問題的方法是，構(gòu)造一個(gè)單變量分類器，然后依據(jù)單個(gè)變量對(duì)y的預(yù)測能力進(jìn)行排序。單變量的預(yù)測能力可以通過IV或者AUC等各種指標(biāo)進(jìn)行評(píng)估。除此之外，對(duì)于分類變量卡方檢驗(yàn)也是常見的篩選特征的方法，基本思想是假設(shè)兩個(gè)變量獨(dú)立，利用列聯(lián)表的數(shù)據(jù)計(jì)算實(shí)際頻數(shù)與理論頻數(shù)的差異，如有顯著差異則拒絕原假設(shè)認(rèn)為變量間是有相關(guān)關(guān)系，反之接受原假設(shè)。

信息增益

信息增益是一種有效的特征選擇方法，它的公式：

對(duì)于公式的解釋為：原本分類的信息熵減去加入特征后分類的條件熵，兩者的差值就是這個(gè)特征給分類帶來的“凈化”程度，如果信息增益越大，該特征對(duì)于分類來說就越有價(jià)值。其中熵表示不確定程度，分布越均勻，越不確定，熵越大。

逐步回歸法

上述的三種方法都是對(duì)單變量進(jìn)行排序，不能考慮這個(gè)變量在和其他變量結(jié)合在一起時(shí)的作用。為了解決這個(gè)問題，可以用forward selection、backward selection和stepwise selection的方法。

forward selection是從截距項(xiàng)開始依次按顯著性水平將自變量一個(gè)一個(gè)地加入模型，直到?jīng)]有滿足顯著性水平的變量可以加入為止。

backward selection一開始所有變量都在模型中，將不符合顯著性水平的變量依次剔除，值得一提的是存在于某些情況多個(gè)變量各自對(duì)目標(biāo)變量不顯著，但組合起來能顯著的提高模型的表現(xiàn)，這種情況在采用forward selection的情況下變量是進(jìn)入不了模型的，而采用backward selection可以解決這個(gè)問題。

如圖1(a)所示X2變量(縱軸)能區(qū)分分類1、0，X1變量(橫軸)完全是不顯著的，如圖1(b)將X2變量替換成X3變量，兩個(gè)變量組合的區(qū)分能力要好于之前一個(gè)變量，完全不顯著的變量可能與其他變量組合顯著提高區(qū)分能力。

stepwise selection，依次按顯著性水平將變量一個(gè)一個(gè)加入，同時(shí)對(duì)已加入的變量做顯著性檢驗(yàn)，如果原來變量因?yàn)樾碌淖兞考尤攵兊貌辉亠@著，那就將它剔除模型。stepwise的優(yōu)勢在于能保證方程中的變量全部顯著，而方程外無顯著性的變量。

Lasso回歸

為進(jìn)一步消除變量間共線性的問題，可以通過Lasso回歸，其本質(zhì)是通過在損失函數(shù)中加入懲罰函數(shù)項(xiàng)，在增加細(xì)微偏差的同時(shí)換取更小的預(yù)測方差，并使得模型變量更為精煉、解釋性更強(qiáng)。

其中，使用懲罰約束來篩選擬合模型中的系數(shù)，當(dāng)t值小到一定程度，估計(jì)參數(shù)的估值是0，這樣就起到了變量篩選的作用。當(dāng)t不斷增大，選入模型的變量會(huì)增多，當(dāng)t增大到某個(gè)值時(shí)所有變量都會(huì)進(jìn)入，這是就相當(dāng)于傳統(tǒng)方法的參數(shù)估計(jì)。

如圖3，L1正規(guī)化的約束條件是圖中坐標(biāo)中心方形區(qū)域，而傳統(tǒng)方法偏差最小的估計(jì)是以第一象限橢圓區(qū)域?yàn)橹行南蛲鈹U(kuò)散，故最優(yōu)解是在兩者的臨界點(diǎn)，即對(duì)應(yīng)方形與橢圓形的切點(diǎn)，此時(shí)對(duì)應(yīng)的q1 為0，起到了變量篩選的作用。

大數(shù)據(jù)如何篩選出信用卡詐騙易騙人群

我們?cè)僖孕庞每ㄌ犷~詐騙舉例。就目前披露的數(shù)據(jù)顯示，某一銀行在短短的3個(gè)月時(shí)間內(nèi)接到被騙客戶投訴數(shù)突增6000多起，占到欺詐案件總數(shù)的48%以上。為何看似老套的欺詐手段，為什么還有這么多人上當(dāng)受騙呢?

前面我們提到，特征選擇剔除不顯著的變量，能有效的提高模型的預(yù)測能力，降低模型的復(fù)雜度從而減少更多的預(yù)測方差，增強(qiáng)模型的可解釋性。我們以信用卡申請(qǐng)人的一組信息為樣本，模擬一下騙子的篩選過程。

圖4

見圖4，經(jīng)過對(duì)客戶信息進(jìn)行“特征選擇”，可以看出“額度”、“年齡”、“發(fā)卡渠道”、“性別”、“婚姻狀況”是最具有信息價(jià)值的變量，可以從這五個(gè)維度對(duì)名單進(jìn)行篩選，從而進(jìn)行“精準(zhǔn)詐騙”。

圖5

那么，從選出的五個(gè)維度的特征來看，什么樣的人最容易上當(dāng)呢?通過網(wǎng)絡(luò)申請(qǐng)數(shù)據(jù)，我們得到圖5的結(jié)果，其中橫坐標(biāo)表示被欺騙的容易程度，取值越大，越容易被欺騙。從圖可以看出：

1、信用卡額度較低但對(duì)資金需求量大的年輕人(18-25歲)，提額對(duì)其誘惑較大，因此容易成為目標(biāo)人群;

2、通過網(wǎng)絡(luò)發(fā)卡的渠道可能更容易遇到信息泄漏;

3、單身的男性一般有易輕信、嫌麻煩、求助資源少的情況，容易被騙子利用。

老話說，“知己知彼，才能百戰(zhàn)不殆”。只有深入的了解騙子們所使用的方法，才能更好的做好反欺詐工作，有針對(duì)性地去做一些數(shù)據(jù)上的深挖。另一方面，電話欺詐的根源仍然是數(shù)據(jù)泄露的問題，相關(guān)企業(yè)要加強(qiáng)信息安全方面的投入建設(shè)，咱們每個(gè)個(gè)人更要樹立起對(duì)隱私數(shù)據(jù)保護(hù)的安全意識(shí)，為共同維護(hù)安全的信息生態(tài)圈而努力。