2.4 评分模型的应用

任何评分模型都不能完全区分出欺诈客户和正常客户，误报在所难免，好的模型能够让欺诈客户分布在更高的评分区间。从表2-5中可以看出，不同评分组的欺诈客户所占比例和误报率存在明显差异，即模型揭示的高风险人群中欺诈客户明显更多。反欺诈策略的关键是在投入成本一定、保证服务质量和客户体验的前提下，最大限度减少欺诈损失，而预期欺诈损失（即欺诈评分×交易金额）是制定反欺诈策略时最主要的考虑因素。信用卡公司可将欺诈评分这个量化指标，作为判别“坏”客户和交易欺诈的主要依据，根据不同的欺诈风险等级执行差异化的交易策略，而模型的显著规则也可作为新申请进件的审批策略依据。

在大数据支撑和驱动下，欺诈评分模型的应用逐渐从批处理模式转为线上和实时部署。综合应用欺诈评分及相关因素进行细分，制定差异化的策略并融入业务流程，在交易、进件等业务的必要环节自动触发批准、拒绝、人工核对等策略，必将大量节省运营成本、有效降低欺诈损失。例如，对于此前欺诈评分高的客户，如果交易金额较高，则该笔交易自动进入信用审核和反欺诈审核，进行实时评分，评分达标后才会完成交易授权；对于此前欺诈评分低、信用好的客户，如果交易金额不高，则其交易直接批准，无须实时评分或审核，从而兼顾风险防范和客户体验。