信贷风控中的场景离不开反欺诈，反欺诈往往是整体流程中的第一道防线。反欺诈在欺诈定义来讲可以分为第一方欺诈、第二方欺诈、第三方欺诈，但欺诈防范更需要细分场景，从场景的分类来看，更会分为申请欺诈、余额欺诈、商户欺诈…
几个场景欺诈的定义：
申请欺诈
申请欺诈用指用户提交真实/虚假的自己的身份信息申请金融服务且无意偿还的违法行为。
还款表现：第一次还款或前几次还款发生拖欠，客户消失（联系不上）；
余额欺诈
实施欺诈之前：正常消费，正常还款
目的：良好的信用，额外的信用额度，较低的资金成本
既然反欺诈需要细分场景，那在场景上更会分为线上欺诈与线下欺诈。线上欺诈是对零售用户的防范，线下欺诈除了个人用户更需要叠加对to b方向的欺诈防范。今天综合番茄风控之前的文章，给大家介绍线下欺诈的实践要点，本文重点介绍两个实践案例，请看：
Case1：利用首逾率监控线下商户的欺诈指标
反欺诈中有一个非常重要的量化指标称为首逾，与之相关的就是FSTQPD。
那在具体的商户风控的反欺诈中，如何应用？Case1中，案例的实操分享中一共涉及六个步骤：
步骤1：运用欺诈指标FSTQPD监测商户数据波动情况
步骤2：分析数据波动原因
步骤3：进一步定位欺诈原因
步骤4：欺诈案件复核
步骤5：综合调查案件资料
步骤6：案件结论与最终处置方案
case1我们以医美商户为案例，来细细拆分每一个反欺诈监控步骤：
步骤1：运用欺诈指标FSTQPD监测商户数据波动情况
分析情况：在2020年8月2日的时候，突然发现2020年7月1的订单的FPD1异常，这时候先去排查 扣款渠道是不是有问题(1号或者31号由于月初月末，极易发生扣款失败问题等，故需要优先排除)，发现扣款渠道没问题，故非机器bug引起7月Fpd1偏高。
步骤2：分析数据波动原因
分析情况：去看客群质量,通过模型分等观察指标，发现该商户进件客群极其稳定,故排除进件客户质量差引起的FPD偏高。
步骤3：考察数据波动原因商户还是BD(渠道)欺诈造成
商户欺诈或者BD欺诈(医美存在前端销售同事帮客户代还情况，故将BD欺诈考虑进去)，先拉取该商户关联BD下的所有商户2020年7月FPD1数据以及其他指标维度数据，为快速定位，目前只看fpd1数据。
该bd总共7家商户，与商户A量相当的商户B的fpd1并未发现异常，若BD发生欺诈，骗取客户钱财代还，不可能只集中一家商户未还款，故大概率排除BD欺诈。
步骤4：欺诈案件复核(电核等进一步确定)
反欺诈同事分别对2020年fpd1逾期客户进行电核，运用相关话术发现客户每月并未自己还款。电核主要以下2个方向：
1）确定客户是否真正手术
2）客户还款方式
3）客户通过什么方式去商户A进行手术（是否存在中介等渠道，或者是否发生联合骗贷情况）
步骤5：综合调查案件资料
与此同时，重新调取客户贷前贷中信息，如：术前、术后照片（需注意是否ps），病历本（病历本造假成本极高），客户还款账户（是否发生一个账户多客户还款）等。
步骤6：案件结论与最终处置方案
暗访同事对该商户进行暗访，同时去查询该商户有没有发生股权变动的情况。
代还款会有2种情况
1、商户打钱到客户，客户自己还款。这种情况比较难以排查，只有电话回访或者暗访等方式知道
2、商户直接帮客户还款，这种可以通过系统的还款账户来判断
结论：最终判断为商户欺诈。商户A刚开始（2020年1、2、3月）合作时候为正常营业，客户均为正常客户，在2020年4月，随着进件量的上涨，商户开始发生欺诈情况。即正常进件+给客户一定钱财，骗一些客户假装贷款，承诺商户会帮还，以此商户大量套现，故商户帮了客户前几期，在2020年7月时候商户捐钱跑路，导致商户FPD1开始突增。
最终处置方案
1、针对商户：报警处理；
2、针对客户：向客户解释情况，说明逾期后果（征信受影响），适量减免利息，让客户继续还款，以此来尽量挽回损失；
以上指标中，如果还不熟悉请看：
FSTQ：指的是客户第一、二、三、四期首次逾期。
FPDX：第一期第一次逾期X天客户
SPDX：第二期第一次逾期X天客户
TPDX：第三期第一次逾期X天客户
QPDX：第四期第一次逾期X天客户
Case2：利用账龄监控商户还款行为
在线下反欺诈场景中，我们还会经常遇到一个较为常见的：就是部分商户承诺客户，帮还第一期来诱导客户消费，具体为部分销售违规向客户收取第一期押金(类似砍头息，但机构并不知晓，砍头息目前不合规)来帮客户代偿。
遇到这类的场景如何去监测商户交易数据，如何来防范这种欺诈手法。针对这个场景。case2，以时下最热门的医美商户为案例，详细给大家剖析具体的商户欺诈防范的内容。在具体的分析中，我们会进一步引入vintage（账龄的指标）协助大家分析相关的内容。
在case2中，案例的实操分享中一共涉及四个步骤：
一.分析客群质量
二.分析资产数据
三.初步分析结果
四.最终处置方案
仍以医美商户为案例，来细细拆分每一个步骤：
一.分析客群质量
抓取了目前某医美场景中两个近期逾期率都比较大的商户进行分析。现在假设有两家商户机构：分别是商户A和商户B，比如通过商户进件的模型分，得到相关的数据走势图如下：
1.1.分析商户A模型分数据
1.2.分析商户B模型分数据
发现商户在模型评分卡中，高中低分段的客群都基本一致，于是我们假设两家机构的客群质量基本相似。
二.分析资产数据
通过vintage分析近期商户资产数据。
vintage，相信各位多非常熟悉了，不明白可以翻看之前番茄的系列文章：了解过Vintage的N种样式？。
其中vintage的计算逻辑：某月贷款第X期到期
具体的计算公式为：逾期客户的贷款金额/当月放款金额。当然计算vintage，就不得不提MOB的概念，MOB=Month of Book，账龄的定义。
于是通过分析vintage&MOB的数据后，我们得到以下数据：
商户A的数据如下：
商户B的数据如下：
三.初步分析结果
商户A与商户B除了MOB1，MOB2以及MOB2+的Vintage数据几乎相似，看最终逾期数据似乎没问题。
但是商户A的数据从MOB1到MOB2突增，而商户B则是稳定增长。
观察A商户的数据的异常波动后，跟前端的信审童鞋交流，怀疑商户A存在欺诈情况。
三.进一步调查与欺诈案件复核
先将商户A的MOB2突增的新客户(即SPD7的客户)拉取出来电话回访，只拉取SPD7的原因是为了排除惯性逾期客户。
同步，信审童鞋对这部分逾期的用户进行了电话回访。主要话术集中在：询问是否存在代还款的情况。通过回访，我们基本可以确认是，商户(中介)发生了代还款的情况
四.最终处置方案
1、如果是商户代还款，会视暗访同事调查结果而定。如果存在商户诱骗客户办单情形，则对商户做关闭进件、退单等处置。如果不存在商户欺诈，目前无规范处理的方法。最多会向客户宣导，不要被商户诈骗。并且监控FSTQ数据，以防商户跑路；
2、如果是BD代还款，则更改绩效方式，将STQ等数据也考虑进去。同时增加对BD端的FSTQ或者Vintage的数据监控；
关于线下反欺诈的实践就大概讲解完了，在本次内容中我们清楚根据商户欺诈的数据案例+场景数据，一步步拆分最终来验证最终的结论，希望本文对风控从业者有所启发。
番茄风控对外征稿，如果您在风控实务有自己的见解跟看法，欢迎来投稿：番茄风控的征稿。
~原创文章
…
end