陳任峰

(銀聯(lián)數(shù)據(jù)服務(wù)有限公司 上海 201201) (rfchen@cupdata.com)

隨著我國(guó)金融體制改革和商業(yè)銀行市場(chǎng)化的持續(xù)推進(jìn)，以及第三方支付體系的劇烈沖擊，信用卡行業(yè)競(jìng)爭(zhēng)日趨白熱化.在此大環(huán)境下，搶奪支付場(chǎng)景流量、升級(jí)產(chǎn)品服務(wù)權(quán)益以加大信用卡營(yíng)銷力度，成為商業(yè)銀行精準(zhǔn)獲客引流、增強(qiáng)用戶黏性的重要抓手.值得關(guān)注的是，在產(chǎn)品權(quán)益快速多元化的同時(shí)，信用卡傳統(tǒng)市場(chǎng)營(yíng)銷管理面臨重大安全挑戰(zhàn).薅羊毛、惡意搶購(gòu)、暴力套現(xiàn)、虛假訂單等營(yíng)銷攻擊行為難以避免[1-2]，極大損耗了銀行營(yíng)銷資源及經(jīng)濟(jì)利益，如何向優(yōu)質(zhì)目標(biāo)客群提供精準(zhǔn)營(yíng)銷紅利顯得尤為關(guān)鍵.

1 信用卡市場(chǎng)營(yíng)銷面臨的安全挑戰(zhàn)

隨著移動(dòng)互聯(lián)網(wǎng)和移動(dòng)支付的成熟應(yīng)用，網(wǎng)絡(luò)營(yíng)銷成為信用卡尤為重要的營(yíng)銷手段之一.然而，信用卡營(yíng)銷資源被機(jī)器“羊毛黨”暴力攻擊，如暴力搶優(yōu)惠券等事件時(shí)有發(fā)生.攻擊者利用攻擊工具模擬人類行為，繞過(guò)前端頁(yè)面驗(yàn)證向后臺(tái)發(fā)送批量請(qǐng)求，如批量注冊(cè)、暴力破解密碼、批量發(fā)送短信等行為，輕則影響服務(wù)器性能，重則為銀行造成巨大經(jīng)濟(jì)損失，大大降低了優(yōu)質(zhì)客群的營(yíng)銷紅利.與此同時(shí)，銀行傳統(tǒng)規(guī)則對(duì)識(shí)別機(jī)器行為局限性大:一則規(guī)則有限，一旦被識(shí)破，難以及時(shí)更新；二則規(guī)則越復(fù)雜，被破解后更難以維護(hù)[3].因此，如何提升信用卡安全營(yíng)銷能力，成為商業(yè)銀行業(yè)務(wù)模式創(chuàng)優(yōu)的迫切需要.

近年來(lái)，人工智能(artificial intelligence, AI)領(lǐng)域的新一代信息革命浪潮伴隨“互聯(lián)網(wǎng)+金融”的融合發(fā)展，為信用卡傳統(tǒng)營(yíng)銷模式提供了新的技術(shù)路線[4-5].AI技術(shù)摒棄了以往模式中的經(jīng)驗(yàn)思維，呈現(xiàn)出深度學(xué)習(xí)、跨界融合、人機(jī)協(xié)同、群智開(kāi)放、自主操作等特征，在機(jī)器識(shí)別、欺詐偵測(cè)、信用評(píng)級(jí)、精準(zhǔn)營(yíng)銷等方面均有重要突破[6-8].基于此，本文以信用卡網(wǎng)絡(luò)安全營(yíng)銷為切入點(diǎn)，旨在研究基于AI技術(shù)的精準(zhǔn)營(yíng)銷方案，通過(guò)被動(dòng)防控與主動(dòng)挖掘相結(jié)合，提供了人機(jī)識(shí)別與精準(zhǔn)營(yíng)銷的案例分析，以期輔助銀行保障營(yíng)銷資源合理投放、精準(zhǔn)定位目標(biāo)客群，進(jìn)而提升信用卡業(yè)務(wù)收入，并逐步完成多渠道、多產(chǎn)品的營(yíng)銷策略全面升級(jí)，為銀行信用卡營(yíng)銷業(yè)務(wù)的健康持續(xù)發(fā)展提供解決思路.

2 基于AI技術(shù)的安全營(yíng)銷路徑分析

為了提高信用卡營(yíng)銷效率，快速精準(zhǔn)搜索目標(biāo)客群，本文提出了以下2種解決路徑：即基于人機(jī)識(shí)別模型的被動(dòng)防控與基于精準(zhǔn)營(yíng)銷模型的主動(dòng)挖掘.一方面通過(guò)AI算法提高對(duì)惡意攻擊營(yíng)銷資源的機(jī)器識(shí)別能力，以保障優(yōu)質(zhì)客群的服務(wù)權(quán)益；另一方面通過(guò)大數(shù)據(jù)營(yíng)銷響應(yīng)模型，精準(zhǔn)搜索具有業(yè)務(wù)需求的營(yíng)銷高響應(yīng)客群.

2.1 被動(dòng)防控：人機(jī)識(shí)別

依托于設(shè)備行為數(shù)據(jù)、場(chǎng)景行為鏈、設(shè)備、 IP訪問(wèn)歷史、全站安全態(tài)勢(shì)等多維度監(jiān)控，結(jié)合AI技術(shù)的數(shù)據(jù)挖掘，可輔助實(shí)現(xiàn)人機(jī)驗(yàn)證的準(zhǔn)確識(shí)別.以某項(xiàng)目為例，本研究針對(duì)信用卡營(yíng)銷網(wǎng)頁(yè)前端的滑塊驗(yàn)證方式，構(gòu)建了基于AI算法的二分類模型，對(duì)人與機(jī)器行為進(jìn)行預(yù)測(cè)識(shí)別.

初始變量及其描述如表1所示.通過(guò)驗(yàn)證碼拖動(dòng)行為的數(shù)據(jù)分解，還原點(diǎn)的軌跡信息，并基于點(diǎn)的位置變化進(jìn)行特征加工.與此同時(shí)，通過(guò)數(shù)據(jù)探索與可視化，探究機(jī)器與人的行為模式差異.

表1 人機(jī)識(shí)別模型變量描述

圖1和圖2展示了機(jī)器與人的滑動(dòng)軌跡，可以看出機(jī)器軌跡多分布于固定值，或呈現(xiàn)反復(fù)的劇烈波動(dòng)；而人的軌跡相對(duì)比較靈活，與機(jī)器軌跡差異性較大.

在對(duì)數(shù)據(jù)表現(xiàn)的初步探索后，深入挖掘了位置、速度、角度、設(shè)備等多個(gè)維度的上百個(gè)候選變量.設(shè)置該模型樣本的訓(xùn)練集與測(cè)試集比例為7∶3，在參數(shù)調(diào)優(yōu)、模型融合等模型開(kāi)發(fā)及調(diào)優(yōu)后，人機(jī)識(shí)別模型判別準(zhǔn)確率達(dá)到99.06%，可為防控信用卡網(wǎng)絡(luò)營(yíng)銷活動(dòng)的機(jī)器攻擊行為提供參考依據(jù).

2.2 主動(dòng)挖掘：精準(zhǔn)營(yíng)銷

AI技術(shù)的快速發(fā)展催生了新零售業(yè)態(tài)，更對(duì)商業(yè)銀行主動(dòng)搜索、精準(zhǔn)營(yíng)銷的大數(shù)據(jù)分析及運(yùn)用能力提出了更高要求.隨著信用卡年費(fèi)、手續(xù)費(fèi)等傳統(tǒng)費(fèi)用逐漸減免，提升分期、收單等中間業(yè)務(wù)收入尤為重要.信用卡營(yíng)銷不應(yīng)只停留在“廣撒網(wǎng)”的被動(dòng)防控階段，更應(yīng)進(jìn)一步細(xì)分支付場(chǎng)景和消費(fèi)群體，主動(dòng)挖掘潛在目標(biāo)客戶，以降低營(yíng)銷風(fēng)險(xiǎn)及營(yíng)銷成本，同時(shí)減免客戶打擾.基于某電銷分期項(xiàng)目，建立了AI-營(yíng)銷響應(yīng)模型，通過(guò)預(yù)測(cè)客戶的分期響應(yīng)概率，篩選出響應(yīng)率高的客戶進(jìn)行電話營(yíng)銷，并與傳統(tǒng)營(yíng)銷模式進(jìn)行比對(duì).模型設(shè)計(jì)思路如圖3所示:

圖1 機(jī)器滑動(dòng)軌跡

圖3 基于AI算法的營(yíng)銷響應(yīng)模型

圖4 分期響應(yīng)模型評(píng)價(jià)指標(biāo)

在樣本清洗中，選取6個(gè)月項(xiàng)目數(shù)據(jù)為觀測(cè)期，按照1∶5的比例隨機(jī)抽取正負(fù)樣本，得到建?？捎脴颖?通過(guò)對(duì)數(shù)據(jù)表現(xiàn)的初步排查，剔除了部分特殊卡產(chǎn)品.在特征提取中，該模型主要包括交易金額、交易筆數(shù)、額度使用、交易時(shí)間、分期特征以及賬戶屬性等維度，共計(jì)百余個(gè)特征變量.在建模過(guò)程中，通過(guò)參數(shù)調(diào)優(yōu)、變量篩選、算法比對(duì)等技術(shù)手段，多次對(duì)模型進(jìn)行深度迭代.

該模型經(jīng)過(guò)樣本內(nèi)驗(yàn)證及跨時(shí)區(qū)校驗(yàn)，各方面指標(biāo)表現(xiàn)較好.KS值達(dá)到0.601，可見(jiàn)模型對(duì)分期響應(yīng)客戶的區(qū)分能力較強(qiáng)；AUC值為0.887，模型準(zhǔn)確性較高；此外，同時(shí)參考了LIFT提升圖與GAIN增益圖，如圖4所示.

模型開(kāi)發(fā)完成后，通過(guò)實(shí)際測(cè)試驗(yàn)證了該模型對(duì)目標(biāo)客群的定位準(zhǔn)確性.在相同人力外呼同等數(shù)量客戶的情況下，相比無(wú)篩選情況的分期響應(yīng)率提升27%、無(wú)效名單下降40%、營(yíng)銷人員人均產(chǎn)值提升70%.此外，在傳統(tǒng)的分期營(yíng)銷模式中，分期產(chǎn)品單一，營(yíng)銷客群分散，無(wú)法根據(jù)客戶關(guān)聯(lián)偏好推薦其最感興趣的分期產(chǎn)品類別，不利于實(shí)現(xiàn)收入的最大化.基于AI算法的預(yù)測(cè)模型，可輔助銀行實(shí)現(xiàn)精細(xì)化的智能營(yíng)銷管理模式，通過(guò)預(yù)測(cè)每位客戶響應(yīng)概率相對(duì)較高的產(chǎn)品集，提升產(chǎn)品營(yíng)銷組合的決策能力.

3 總 結(jié)

本文為信用卡安全精準(zhǔn)營(yíng)銷提出了一種基于AI技術(shù)的模型方案.一方面分析了當(dāng)前信用卡網(wǎng)絡(luò)營(yíng)銷面臨的安全挑戰(zhàn)及其防控技術(shù)，另一方面從主動(dòng)挖掘的角度，為商業(yè)銀行提供精準(zhǔn)營(yíng)銷的解決方案.經(jīng)驗(yàn)證，該模型各方面指標(biāo)表現(xiàn)穩(wěn)定，AI算法可有效實(shí)現(xiàn)機(jī)器攻擊行為偵測(cè)，判別準(zhǔn)確率達(dá)到99.06%；精準(zhǔn)營(yíng)銷模型可提升27%營(yíng)銷響應(yīng)率，坐席人員人均產(chǎn)值提升70%.

基于此，本研究可為信用卡的安全營(yíng)銷提供技術(shù)解決思路，保障了優(yōu)質(zhì)客群的服務(wù)體驗(yàn)，同時(shí)減少了營(yíng)銷人力、資源及時(shí)間成本.通過(guò)AI算法結(jié)合業(yè)務(wù)經(jīng)驗(yàn)輔助實(shí)現(xiàn)營(yíng)銷資源的最優(yōu)配置，從而降低營(yíng)銷資源攻擊風(fēng)險(xiǎn)，減免非目標(biāo)客戶打擾，進(jìn)一步提升了中間業(yè)務(wù)收入，尤其為信用卡安全營(yíng)銷模式提供了決策參考.

[1]歐陽(yáng)志友, 孫孝魁. 基于梯度提升模型的行為式驗(yàn)證碼人機(jī)識(shí)別[J]. 信息網(wǎng)絡(luò)安全, 2017 (9): 143-146

[2]鄧紅. 電子商務(wù)網(wǎng)絡(luò)營(yíng)銷平臺(tái)的安全性分析[J]. 現(xiàn)代電子技術(shù), 2017, 40(7): 88-91

[3]瑞數(shù)信息. 動(dòng)態(tài)安全技術(shù)杜絕薅羊毛[J]. 金融電子化, 2017 (6): 85-86

[4]賀倩. 人工智能技術(shù)的發(fā)展與應(yīng)用[J]. 電力信息與通信技術(shù), 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. 上海市政府發(fā)布《關(guān)于本市推動(dòng)新一代人工智能發(fā)展的實(shí)施意見(jiàn)》[J]. 上海信息化, 2017 (12): 83-83

[7]呂欣, 李洪霞, 李鵬. 大數(shù)據(jù)與國(guó)家治理[M]. 北京: 電子工業(yè)出版社, 2017

[8]于孝建, 彭永喻. 人工智能在金融風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用及挑戰(zhàn)[J]. 南方金融, 2017, 1(9): 70-74