近年在很多揭露诈骗的报道中，常常出现老太太接到电话说孙子出事了、老板接到电话说税务局要查税等案例，为什么现在骗子“对号入座”的本事这么强？

其实，这与骗子们从“撒网式诈骗”向“精准诈骗”升级有着密切关系。这年头竞争这么激烈，有一批骗子已经进化为具有大数据工匠精神的大骗子。据了解，很多骗子在非法获取个人信息之后，会利用大数据方法进行分析，并根据用户信息的特点设计诈骗环节和故事，从而进行“精准式诈骗”。而“航班取消”、“二胎生育退费”、“推荐必涨股票”、“交通违章提醒”、“信用卡提额”等等，都成为骗子惯用的手法。

其实，这些伎俩在专业的数据分析员眼里，其实并非什么神奇的事情。今天我们就请“朝阳35处”的专家给我们揭秘骗子们进行“精准诈骗”的秘密。

想要骗到你，骗子最需要以下三类数据

想要成为一个成功率高的大骗子，首先必须获得客户数据，无论这数据是通过广撒 “木马”搜集来的，还是在地下数据交易市场弄来的，在这各种类别的数据中，有三类是骗子们比较关注的：

一是身份类信息，最常见的是姓名与身份证号的表格，这种信息出货多，泄露渠道多样，市场上供大于求。还有些扩充了性别、年龄、工作单位、职级、年收入等大数据培训是骗局，通常来源于收入调查与黑客拖库数据。

二是金融类信息，姓名、银行卡号、信用卡卡号、开卡行、手机、地址、信用额度等数据，此数据大部分来源于制卡邮寄等环节的信息泄露，制卡工厂、快递公司、邮局、物流点都有可能成为泄露点，另一小部分是内鬼数据，市场供不应求、价值极高。

三是金融账号密码，主要是各大银行登录类的，通常是黑客数据，来源于钓鱼、撞库等黑客行为，通过此类数据往往能获得更详细的金融数据，如详细交易流水。

利用特征选择进行“精准欺诈”

一旦骗子拿到了上述这些数据，接下来他就要筛选出易骗人群进行“对号入座”。只要运用大数据的思维方式， “选择易骗人群”这个需求就变成了一个有监督的模型学习问题。而一般针对监督模型的特征选择有如下五种方法：

利用相关性对变量进行排序

自变量x1,x2,..xn，目标变量y，变量xi和y的相关性越高，则xi所包含的用于预测y的信息量越大，从而其排序越高。可以用相关系数来衡量两个变量的线性相关性：

利用相关系数来做变量排序有以下问题：

（1）只考虑单一变量的重要性，很多变量单独存在时没有用，但和其他变量结合在一起后则会起到显著作用；

（2）依赖于自变量和目标变量之间的线性假设。

（3）适用于回归问题，即，目标变量y是连续的，对于分类问题应用起来需要谨慎。

单变量分类器

如1里面提到的，对于分类问题，利用相关性对变量进行排序可能会出现问题。一个简单的将上述思路拓展到分类问题的方法是，构造一个单变量分类器，然后依据单个变量对y的预测能力进行排序。单变量的预测能力可以通过IV或者AUC等各种指标进行评估。除此之外，对于分类变量卡方检验也是常见的筛选特征的方法，基本思想是假设两个变量独立，利用列联表的数据计算实际频数与理论频数的差异，如有显著差异则拒绝原假设认为变量间是有相关关系，反之接受原假设。

信息增益

信息增益是一种有效的特征选择方法，它的公式：

对于公式的解释为：原本分类的信息熵减去加入特征后分类的条件熵，两者的差值就是这个特征给分类带来的“净化”程度，如果信息增益越大，该特征对于分类来说就越有价值。其中熵表示不确定程度，分布越均匀，越不确定，熵越大。

逐步回归法

上述的三种方法都是对单变量进行排序，不能考虑这个变量在和其他变量结合在一起时的作用。为了解决这个问题，可以用 、 和 的方法。

是从截距项开始依次按显著性水平将自变量一个一个地加入模型，直到没有满足显著性水平的变量可以加入为止。

一开始所有变量都在模型中大数据培训是骗局，将不符合显著性水平的变量依次剔除，值得一提的是存在于某些情况多个变量各自对目标变量不显著，但组合起来能显著的提高模型的表现，这种情况在采用 的情况下变量是进入不了模型的，而采用 可以解决这个问题。

图1

如图1（a）所示X2变量（纵轴）能区分分类1、0，X1变量（横轴）完全是不显著的，如图1（b）将X2变量替换成X3变量，两个变量组合的区分能力要好于之前一个变量，完全不显著的变量可能与其他变量组合显著提高区分能力。

，依次按显著性水平将变量一个一个加入，同时对已加入的变量做显著性检验，如果原来变量因为新的变量加入而变得不再显著，那就将它剔除模型。的优势在于能保证方程中的变量全部显著，而方程外无显著性的变量。

图2 流程图

Lasso回归

为进一步消除变量间共线性的问题，可以通过Lasso回归，其本质是通过在损失函数中加入惩罚函数项，在增加细微偏差的同时换取更小的预测方差，并使得模型变量更为精炼、解释性更强。

其中，使用惩罚约束来筛选拟合模型中的系数，当t值小到一定程度，估计参数的估值是0，这样就起到了变量筛选的作用。当t不断增大，选入模型的变量会增多，当t增大到某个值时所有变量都会进入，这是就相当于传统方法的参数估计。

图3

如图3，L1正规化的约束条件是图中坐标中心方形区域，而传统方法偏差最小的估计是以第一象限椭圆区域为中心向外扩散，故最优解是在两者的临界点，即对应方形与椭圆形的切点，此时对应的q1 为0，起到了变量筛选的作用。

大数据如何筛选出信用卡诈骗易骗人群

我们再以信用卡提额诈骗举例。就目前披露的数据显示，某一银行在短短的3个月时间内接到被骗客户投诉数突增6000多起，占到欺诈案件总数的48%以上。为何看似老套的欺诈手段，为什么还有这么多人上当受骗呢？

前面我们提到，特征选择剔除不显著的变量，能有效的提高模型的预测能力，降低模型的复杂度从而减少更多的预测方差，增强模型的可解释性。我们以信用卡申请人的一组信息为样本，模拟一下骗子的筛选过程。

图4

见图4，经过对客户信息进行“特征选择”，可以看出“额度”、“年龄”、“发卡渠道”、“性别”、“婚姻状况”是最具有信息价值的变量，可以从这五个维度对名单进行筛选，从而进行“精准诈骗”。

图5

那么，从选出的五个维度的特征来看，什么样的人最容易上当呢？通过网络申请数据，我们得到图5的结果，其中横坐标表示被欺骗的容易程度，取值越大，越容易被欺骗。从图可以看出：

1、信用卡额度较低但对资金需求量大的年轻人（18-25岁），提额对其诱惑较大，因此容易成为目标人群；

2、通过网络发卡的渠道可能更容易遇到信息泄漏；

3、单身的男性一般有易轻信、嫌麻烦、求助资源少的情况，容易被骗子利用。

老话说，“知己知彼，才能百战不殆”。只有深入的了解骗子们所使用的方法，才能更好的做好反欺诈工作，有针对性地去做一些数据上的深挖。另一方面，电话欺诈的根源仍然是数据泄露的问题，相关企业要加强信息安全方面的投入建设，咱们每个个人更要树立起对隐私数据保护的安全意识，为共同维护安全的信息生态圈而努力。

为了给从事互联网金融大数据分析的朋友们提供更多沟通和交流的机会，欢迎大家扫描下面的二维码加入“互联网金融大数据专家通讯录”，方便互相加深了解，多多探讨交流！

关于“朝阳35处”

我们是来自于前海征信的专业大数据挖掘团队。我们不仅是数据科学家，更是数据玩客。我们既用数据挖掘技术解决专业领域的问题，也喜欢在各个领域寻找数据的乐趣，以好玩易懂的方式给大家提供新鲜靠谱的内容。我们会每周定时推送一篇原创干货，欢迎大家踊跃点击本帖底部的“写留言”与我们和广大大数据爱好者进行实时沟通和讨论。请后台回复“朝阳35处”获取“安二少的药”大数据趣闻全系列。