借端欺詐是一個主要的銀行風險來源，也是銀行反欺詐的重點聚焦領域，但對傳統銀行來說，往往采用的是一些傳統的反欺詐手段，無論在效率、有效性、全面性以及成本上都是銀行的短板，尤其隨著互聯網金融的興起，非現場交易的增多，更是加劇了銀行的風險防控的難度。
本方案從銀行反欺詐的脆弱點著手，通過機器收集了大量異構、多樣化的信息，包括可交叉驗證信息主體所提供的信息以及第三方信息來源的真實性,通過對數據的采集和分析，再通過機器學習及復雜網絡等創新的模型算法技術，對數據進行深度挖掘，發現欺詐者的隱藏的蛛絲馬跡，分析其數據的矛盾點和可疑點，從而識別欺詐者身份，加上與傳統經驗規則配合使用，大幅提升銀行欺詐風險的防控能力。
- 數據來源：欺詐分析所使用的數據主要來源內部數據和外部數據，針對不同的數據源，本方案通過多種采集方式對數據進行有效采集，并集中在數據湖中進行融合存儲。
- 數據預處理：根據預測模型分析的需求，通過配套的數據處理技術工具對數據進行預處理，輸出模型訓練所需的樣本數據。
- 模型訓練：使用配套的模型算法訓練平臺（MaximAI）基于樣本數據進行一站式的模型算法訓練、驗證以及輸出。
- 實時分析：訓練完成的模型算法程序，被輸出到欺詐分析引擎中，運行于大數據平臺技術上，實現了實時在線對交易數據進行欺詐識別。
- 采用國際主流的Hadoop生態體系技術，技術先進、成熟，且底層大數據平臺采用的是BDP企業版，實現友好、靈活、便捷、開放的Hadoop技術管理。
- MaximAI的算法平臺的引入，相比于傳統SAS，能夠更有效的結合Hadoop、Spark大數據分布式技術，實現全量數據的分析處理，全套可視化的模型訓練，為用戶提供算法由開發到生產服務一站式的管理方案。
- 率先采用基于標簽索引和關聯圖譜的數據探查技術，便于對多源異構數據源的數據治理，加快數據由原始到算法模型變量的快速就緒。
- 數據湖的體系框架引入，為未來系統在技術上和業務上的可擴展性鋪墊了堅實架構基礎。
- 方案以及方案所采用的技術產品在眾多大型金融項目上成功實施，方案技術成熟可靠。
- 技術：發揮大數據技術能力，分布式架構支撐大規模分析計算能力，從而支撐全量數據數據挖掘分析。
- 分析：引進機器學習、復雜網絡等先進分析技術，深度挖掘數據，配合傳統的專家經驗規則，提升欺詐風險的識別能力。
- 成本：充分發揮人工智能的自動化能力，實現機器代替人進行不同個體的分析評估，從而節省人力資源的投入成本。
- 準確：收集并融合多渠道數據，從而消除信息屏障、增加數據維度，提升分析的精準度。
