我們團隊先後推出保障消費者退貨權益的退貨運費險、保障支付寶資金資金安全的賬號安全險以及基於AI模型的車險定損產品的定損寶等，這些產品背後都離不開數據能力支撐，本文將簡單分享過去一年風控相關工作。

互聯網保險特征：場景化、高頻化、碎片化

分享之前，簡單介紹一下互聯網保險的三個典型特征：場景化、高頻化、碎片化。

• 場景化：我們的產品覆蓋了我們的衣食住行各方面，“衣”有保障服飾質量的質量保證保險，“食”有保障食品安全的食品安全險，“住”有提供信用住的擔保保險，“行”有提供騎行意外險等；
• 高頻化：互聯網的便捷可以幫助我們通過產品可以同我們的用戶高頻交互，提供優質體驗；
• 碎片化：相比較傳統保險，我們可以隨時投保、分期繳納保費；
  

風控所面臨的問題

風控場景復雜： 我們的產品覆蓋了衣食住行方方面面，如何再大量不同場景下建立合適的風控解決方案。

風險規模聚集： 互聯網為用戶提供便捷的同時，也可能給不法分子提供了便捷，從而使得相比較傳統場景，風控能力表現尤為重要。

風險變異高頻： 互聯網的試錯成本較低，這使得對手能夠不斷地去驗證保險產品的風控策略，並尋找產品的弱點和漏洞，通過高頻變異來想法設法繞開保險產品的風控規則。

實時風控能力： 我們在提供實時理賠的極致服務體驗同時，背後就需要實時風控能力保駕護航。

實時智能決策平臺

那麽，如何解決上述問題和挑戰呢？在過去的一年中，我們基於實時智能決策平臺DecisionX構建了一站式風控解決方案。實時智能決策平臺DecisionX不僅能夠支持整個風控全鏈路的工作，還可以支持包括決策、開發、管理、運維以及後端分析、監控等在內的所有工作。

全鏈路風控解決方案

在過去一年裏，我們基於實時智能決策平臺DecisionX建設了從風險監控、風險識別、風險分析到知識沈澱的全鏈路解決方案。風險監控幫助我們從宏觀層面把握風險態勢；風險識別幫助我們從微觀層面感知風險；發現可疑風險之後，我們需要進行對風險拆解分析，定性風險；完成案件分析後，需要挖掘特征從而優化提升風控能力。

實時智能決策平臺對於算法的支持

除了上述全鏈路風控解決方案能夠很好支持以外，DecisionX還在垂直深度提供優質的解決方案，接下來舉例說明如何提供AI算法能力支持。

關系異常識別

基於關系的圖算法模型是保險風控反欺詐的一個比較有效的能力，如何基於圖算法進行社群識別是我們面對的一種重要工作，下面幾種常用算法：

• 標簽傳播：一種可以基於網絡關系，根據標簽數據節點和無標簽數據節點，通過傳播標簽從而達到對社群關系的圈定和識別。
• 異常網絡結構識別：通過提煉各種風險的網絡結構特征，通過尋找類似網絡結構特征，從而識別相似可疑的社群內容。
• 關系表征：除了上述方法以外，通過圖關系表征相關算法，可疑將關系特征向量化，從而可以融入傳統機器學習進行模型訓練。

除了上述場景之外，螞蟻還做了很多關系層面的嘗試，這裏不再贅述了。所以，DecisionX幫助我們連接關系算法，有效地提升風控能力。

異常圖片識別

保險理賠需要上傳材料，利用材料造假是騙保的一個重要手段，因此我們也基於圖片研究了多種風控能力：

• 圖片特征相似：通過圖像識別算法識別理賠圖片中是否存在相似特征等，再結合其它特征綜合判斷材料是否虛假等。
• 目標物體分類：通過圖像識別算法識別圖片目標物體，過濾明顯不符合理賠材料需求的無效材料，減少人工審核成本等。

案例分析

這裏舉一個2B產品的例子，該產品可以為用戶提供履約擔保，從而幫助用戶解決繳納保證金的痛點，但是對於信用偏低的用戶提供了“機會”，所以產品上線之後，前前後後多次受到了大批量***。去年，我們重新建設了這款產品的風控體系，一方面基於平臺建設了風險監控預警能力，解決風險感知薄弱滯後問題，一方面基於平臺建設基於異常識別算法、圖挖掘算法、隱案挖掘算法等建設風險識別能力，最後基於平臺提供的解決方案部署風控能力，從而有效減少騙保風險。新風控方案上線後兩個月，在覆蓋人群更大的情況下，使得案件量大約下降90%，從而良性發展創造了很多可能性。

我們還有很多保險反欺詐場景，包括大家熟知運費險、賬號安全險等，我們開發了多種類型的風控原子能力，在多元化場景上篩選組合配置，從而形成各類產品的風控手段。總之，任何產品的風控都是一個持續對抗的過程。也正是因為有對手的存在，所以成就了現在的我們。
點擊閱讀更多，查看更多詳情

實時智能決策引擎在螞蟻金服風險管理中的實踐