【今日案例】拉卡拉：基于大数据的智能支付风控平台

2021年12月，中国人民银行印发《金融科技发展规划（2022—2025年）》，提出健全金融科技治理体系、充分释放数据要素潜能、打造新型数字基础设施等重点任务。北京金融科技产业联盟开设“今日案例”专栏，以《规划》为牵引，通过优秀案例展示产业各方在实践中取得的成果，促进机构互学互鉴。

关键字：大数据、风控模型、风控决策、智能风险识别

本项目由拉卡拉独立研发，充分利用大数据、人工智能、图计算等技术搭建了核心技术自主可控的智能风控平台，在保障数据安全（参与主体数据不离开本地）和个人隐私的前提下，实现了满足商户侧和支付账户侧的全流程风险管理数字化、智能化监控需求，通过更加精细化、智能化的风险管理模式帮助商户提高收单风控效率，降低欺诈风险损失及合规成本，以实现建立收单行业多维度数据源整合标准，研发行业领先的商户风险防控模型与规则紧密结合的梯度智能风控体系为目标，为收单行业的风控提供示范效应和经验。

拉卡拉凭借领先的大数据、人工智能、隐私计算等技术能力与丰富的商户风险防控实践经验，积极探索挖掘金融领域中更加精细化、智能化的风险管理模式，建立了一套完善的大数据智能风控支付服务系统，帮助小微商户全流程数字化、智能化管理支付风险，实现提升风险识别精度、增强风险态势感知能力、扩大风险覆盖面、优化风险应对策略迭代速度和处置效率等益处。

为解决传统风控系统时效性差、响应效率低、客户信息整合利用难度高等问题，本项目通过人工智能和大数据挖掘等技术，构建多维风控场景的商户/账户画像和标签体系，根据不同的业务场景选择不同的模型进行融合，解决商户欺诈风险中类型多样但正负样本极度不均衡导致的模型应用困难。

本项目通过知识图谱和图计算等技术，研究基于知识图谱的商户收单支付交易场景下的关联图设计和社群发现算法，提高收单风控效率的同时降低欺诈风险损失及合规成本。通过应用文本挖掘技术和无监督学习算法对商户入网信息进行异常聚类监控和行业类别分类，结合关联图谱实现事前可疑风险团伙侦测。采用机器学习模型算法，构建商户风险评分模型，根据不同的业务场景选择不同的模型进行融合，从而提升风险侦测案例的准确性和覆盖率。基于知识图谱对团伙性风险进行建模，研究基于知识图谱的商户收单支付交易场景下的关联图设计和社群发现算法，解决知识图谱在商户交易反欺诈应用过程中的若干核心问题。

本项目通过应用大数据、无监督聚类、决策树模型、关联图谱等智能技术，部署16个多维度涉赌涉诈风控模型，有效遏制了网络涉赌涉诈风险。强化风险交易实时分析，强化风险交易实时计算和分析，实现交易高并发下的系统决策响应时间低于80毫秒，达到业内先进水平。建设风控中台、数字化风控服务平台、用户动态风险决策等系统平台，建成数字化的风险服务流、工作流和管理流构架，为各类客户提供一站式风控服务。加强与行业协会、同业机构的沟通联动，强化警银协作，健全跨境风控合作，打造跨机构、跨网络、跨行业、跨地域的多向反馈及案件研判机制，并借助系统化手段提升货物拦截、资金挽损、案件处置效率，提升跨界风控能力和水平。2021年，为产业各方累计挽回损失近千万元，累计协助公安机关查处案件1600余起，排查金额近十亿元。

本文来源：拉卡拉支付股份有限公司
投稿邮箱：News@bfia.org.cn