基于人工智能的信用卡安全营销及应用
2018-06-15陈任峰
陈任峰
(银联数据服务有限公司 上海 201201) (rfchen@cupdata.com)
随着我国金融体制改革和商业银行市场化的持续推进,以及第三方支付体系的剧烈冲击,信用卡行业竞争日趋白热化.在此大环境下,抢夺支付场景流量、升级产品服务权益以加大信用卡营销力度,成为商业银行精准获客引流、增强用户黏性的重要抓手.值得关注的是,在产品权益快速多元化的同时,信用卡传统市场营销管理面临重大安全挑战.薅羊毛、恶意抢购、暴力套现、虚假订单等营销攻击行为难以避免[1-2],极大损耗了银行营销资源及经济利益,如何向优质目标客群提供精准营销红利显得尤为关键.
1 信用卡市场营销面临的安全挑战
随着移动互联网和移动支付的成熟应用,网络营销成为信用卡尤为重要的营销手段之一.然而,信用卡营销资源被机器“羊毛党”暴力攻击,如暴力抢优惠券等事件时有发生.攻击者利用攻击工具模拟人类行为,绕过前端页面验证向后台发送批量请求,如批量注册、暴力破解密码、批量发送短信等行为,轻则影响服务器性能,重则为银行造成巨大经济损失,大大降低了优质客群的营销红利.与此同时,银行传统规则对识别机器行为局限性大:一则规则有限,一旦被识破,难以及时更新;二则规则越复杂,被破解后更难以维护[3].因此,如何提升信用卡安全营销能力,成为商业银行业务模式创优的迫切需要.
近年来,人工智能(artificial intelligence, AI)领域的新一代信息革命浪潮伴随“互联网+金融”的融合发展,为信用卡传统营销模式提供了新的技术路线[4-5].AI技术摒弃了以往模式中的经验思维,呈现出深度学习、跨界融合、人机协同、群智开放、自主操作等特征,在机器识别、欺诈侦测、信用评级、精准营销等方面均有重要突破[6-8].基于此,本文以信用卡网络安全营销为切入点,旨在研究基于AI技术的精准营销方案,通过被动防控与主动挖掘相结合,提供了人机识别与精准营销的案例分析,以期辅助银行保障营销资源合理投放、精准定位目标客群,进而提升信用卡业务收入,并逐步完成多渠道、多产品的营销策略全面升级,为银行信用卡营销业务的健康持续发展提供解决思路.
2 基于AI技术的安全营销路径分析
为了提高信用卡营销效率,快速精准搜索目标客群,本文提出了以下2种解决路径:即基于人机识别模型的被动防控与基于精准营销模型的主动挖掘.一方面通过AI算法提高对恶意攻击营销资源的机器识别能力,以保障优质客群的服务权益;另一方面通过大数据营销响应模型,精准搜索具有业务需求的营销高响应客群.
2.1 被动防控:人机识别
依托于设备行为数据、场景行为链、设备、 IP访问历史、全站安全态势等多维度监控,结合AI技术的数据挖掘,可辅助实现人机验证的准确识别.以某项目为例,本研究针对信用卡营销网页前端的滑块验证方式,构建了基于AI算法的二分类模型,对人与机器行为进行预测识别.
初始变量及其描述如表1所示.通过验证码拖动行为的数据分解,还原点的轨迹信息,并基于点的位置变化进行特征加工.与此同时,通过数据探索与可视化,探究机器与人的行为模式差异.
表1 人机识别模型变量描述
图1和图2展示了机器与人的滑动轨迹,可以看出机器轨迹多分布于固定值,或呈现反复的剧烈波动;而人的轨迹相对比较灵活,与机器轨迹差异性较大.
在对数据表现的初步探索后,深入挖掘了位置、速度、角度、设备等多个维度的上百个候选变量.设置该模型样本的训练集与测试集比例为7∶3,在参数调优、模型融合等模型开发及调优后,人机识别模型判别准确率达到99.06%,可为防控信用卡网络营销活动的机器攻击行为提供参考依据.
2.2 主动挖掘:精准营销
AI技术的快速发展催生了新零售业态,更对商业银行主动搜索、精准营销的大数据分析及运用能力提出了更高要求.随着信用卡年费、手续费等传统费用逐渐减免,提升分期、收单等中间业务收入尤为重要.信用卡营销不应只停留在“广撒网”的被动防控阶段,更应进一步细分支付场景和消费群体,主动挖掘潜在目标客户,以降低营销风险及营销成本,同时减免客户打扰.基于某电销分期项目,建立了AI-营销响应模型,通过预测客户的分期响应概率,筛选出响应率高的客户进行电话营销,并与传统营销模式进行比对.模型设计思路如图3所示:
图1 机器滑动轨迹
图3 基于AI算法的营销响应模型
图4 分期响应模型评价指标
在样本清洗中,选取6个月项目数据为观测期,按照1∶5的比例随机抽取正负样本,得到建模可用样本.通过对数据表现的初步排查,剔除了部分特殊卡产品.在特征提取中,该模型主要包括交易金额、交易笔数、额度使用、交易时间、分期特征以及账户属性等维度,共计百余个特征变量.在建模过程中,通过参数调优、变量筛选、算法比对等技术手段,多次对模型进行深度迭代.
该模型经过样本内验证及跨时区校验,各方面指标表现较好.KS值达到0.601,可见模型对分期响应客户的区分能力较强;AUC值为0.887,模型准确性较高;此外,同时参考了LIFT提升图与GAIN增益图,如图4所示.
模型开发完成后,通过实际测试验证了该模型对目标客群的定位准确性.在相同人力外呼同等数量客户的情况下,相比无筛选情况的分期响应率提升27%、无效名单下降40%、营销人员人均产值提升70%.此外,在传统的分期营销模式中,分期产品单一,营销客群分散,无法根据客户关联偏好推荐其最感兴趣的分期产品类别,不利于实现收入的最大化.基于AI算法的预测模型,可辅助银行实现精细化的智能营销管理模式,通过预测每位客户响应概率相对较高的产品集,提升产品营销组合的决策能力.
3 总 结
本文为信用卡安全精准营销提出了一种基于AI技术的模型方案.一方面分析了当前信用卡网络营销面临的安全挑战及其防控技术,另一方面从主动挖掘的角度,为商业银行提供精准营销的解决方案.经验证,该模型各方面指标表现稳定,AI算法可有效实现机器攻击行为侦测,判别准确率达到99.06%;精准营销模型可提升27%营销响应率,坐席人员人均产值提升70%.
基于此,本研究可为信用卡的安全营销提供技术解决思路,保障了优质客群的服务体验,同时减少了营销人力、资源及时间成本.通过AI算法结合业务经验辅助实现营销资源的最优配置,从而降低营销资源攻击风险,减免非目标客户打扰,进一步提升了中间业务收入,尤其为信用卡安全营销模式提供了决策参考.
[1]欧阳志友, 孙孝魁. 基于梯度提升模型的行为式验证码人机识别[J]. 信息网络安全, 2017 (9): 143-146
[2]邓红. 电子商务网络营销平台的安全性分析[J]. 现代电子技术, 2017, 40(7): 88-91
[3]瑞数信息. 动态安全技术杜绝薅羊毛[J]. 金融电子化, 2017 (6): 85-86
[4]贺倩. 人工智能技术的发展与应用[J]. 电力信息与通信技术, 2017, 15(9): 32-37
[5]Li J, Wang R, Wang J, et al. Analysis and forecasting of the oil consumption in China based on combination models optimized by artificial intelligence algorithms[J]. Energy, 2018, 144(1): 243-264
[6]佚名. 上海市政府发布《关于本市推动新一代人工智能发展的实施意见》[J]. 上海信息化, 2017 (12): 83-83
[7]吕欣, 李洪霞, 李鹏. 大数据与国家治理[M]. 北京: 电子工业出版社, 2017
[8]于孝建, 彭永喻. 人工智能在金融风险管理领域的应用及挑战[J]. 南方金融, 2017, 1(9): 70-74