騙子也玩大數據？來自數據分析師的揭秘

近年在很多揭露詐騙的報道中，常常出現老太太接到電話說孫子出事了、老板接到電話說稅務局要查稅等案例，為什么現在騙子“對號入座”的本事這么強?

其實，這與騙子們從“撒網式詐騙”向“精準詐騙”升級有著密切關系。這年頭競爭這么激烈，有一批騙子已經進化為具有大數據工匠精神的大騙子。據了解，很多騙子在非法獲取個人信息之后，會利用大數據方法進行分析，并根據用戶信息的特點設計詐騙環節和故事，從而進行“精準式詐騙”。而“航班取消”、“二胎生育退費”、“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，這些伎倆在專業的數據分析員眼里，其實并非什么神奇的事情。

想要騙到你，騙子最需要以下三類數據

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

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

二是金融類信息，姓名、銀行卡號、信用卡卡號、開卡行、手機、地址、信用額度等數據，此數據大部分來源于制卡郵寄等環節的信息泄露，制卡工廠、快遞公司、郵局、物流點都有可能成為泄露點，另一小部分是內鬼數據，市場供不應求、價值極高。

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

利用特征選擇進行“精準欺詐”

一旦騙子拿到了上述這些數據，接下來他就要篩選出易騙人群進行“對號入座”。只要運用大數據的思維方式， “選擇易騙人群”這個需求就變成了一個有監督的模型學習問題。而一般針對監督模型的特征選擇有如下五種方法：

利用相關性對變量進行排序

自變量x1,x2,..xn，目標變量y，變量xi和y的相關性越高，則xi所包含的用于預測y的信息量越大，從而其排序越高?？梢杂肞earson相關系數來衡量兩個變量的線性相關性：

利用Pearson相關系數來做變量排序有以下問題：

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

(2)依賴于自變量和目標變量之間的線性假設。

(3)適用于回歸問題，即，目標變量y是連續的，對于分類問題應用起來需要謹慎。

單變量分類器

如1里面提到的，對于分類問題，利用相關性對變量進行排序可能會出現問題。一個簡單的將上述思路拓展到分類問題的方法是，構造一個單變量分類器，然后依據單個變量對y的預測能力進行排序。單變量的預測能力可以通過IV或者AUC等各種指標進行評估。除此之外，對于分類變量卡方檢驗也是常見的篩選特征的方法，基本思想是假設兩個變量獨立，利用列聯表的數據計算實際頻數與理論頻數的差異，如有顯著差異則拒絕原假設認為變量間是有相關關系，反之接受原假設。

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特征給分類帶來的“凈化”程度，如果信息增益越大，該特征對于分類來說就越有價值。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單變量進行排序，不能考慮這個變量在和其他變量結合在一起時的作用。為了解決這個問題，可以用forward selection、backward selection和stepwise selection的方法。

forward selection是從截距項開始依次按顯著性水平將自變量一個一個地加入模型，直到沒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變量各自對目標變量不顯著，但組合起來能顯著的提高模型的表現，這種情況在采用forward selection的情況下變量是進入不了模型的，而采用backward selection可以解決這個問題。

如圖1(a)所示X2變量(縱軸)能區分分類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，兩個變量組合的區分能力要好于之前一個變量，完全不顯著的變量可能與其他變量組合顯著提高區分能力。

stepwise selection，依次按顯著性水平將變量一個一個加入，同時對已加入的變量做顯著性檢驗，如果原來變量因為新的變量加入而變得不再顯著，那就將它剔除模型。stepwise的優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

為進一步消除變量間共線性的問題，可以通過Lasso回歸，其本質是通過在損失函數中加入懲罰函數項，在增加細微偏差的同時換取更小的預測方差，并使得模型變量更為精煉、解釋性更強。

其中，使用懲罰約束來篩選擬合模型中的系數，當t值小到一定程度，估計參數的估值是0，這樣就起到了變量篩選的作用。當t不斷增大，選入模型的變量會增多，當t增大到某個值時所有變量都會進入，這是就相當于傳統方法的參數估計。

如圖3，L1正規化的約束條件是圖中坐標中心方形區域，而傳統方法偏差最小的估計是以第一象限橢圓區域為中心向外擴散，故最優解是在兩者的臨界點，即對應方形與橢圓形的切點，此時對應的q1 為0，起到了變量篩選的作用。

大數據如何篩選出信用卡詐騙易騙人群

我們再以信用卡提額詐騙舉例。就目前披露的數據顯示，某一銀行在短短的3個月時間內接到被騙客戶投訴數突增6000多起，占到欺詐案件總數的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測能力，降低模型的復雜度從而減少更多的預測方差，增強模型的可解釋性。我們以信用卡申請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，經過對客戶信息進行“特征選擇”，可以看出“額度”、“年齡”、“發卡渠道”、“性別”、“婚姻狀況”是最具有信息價值的變量，可以從這五個維度對名單進行篩選，從而進行“精準詐騙”。

圖5

那么，從選出的五個維度的特征來看，什么樣的人最容易上當呢?通過網絡申請數據，我們得到圖5的結果，其中橫坐標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資金需求量大的年輕人(18-25歲)，提額對其誘惑較大，因此容易成為目標人群;

2、通過網絡發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，有針對性地去做一些數據上的深挖。另一方面，電話欺詐的根源仍然是數據泄露的問題，相關企業要加強信息安全方面的投入建設，咱們每個個人更要樹立起對隱私數據保護的安全意識，為共同維護安全的信息生態圈而努力。