陈任峰

(银联数据服务有限公司 上海 201201) (rfchen@cupdata.com)

随着我国金融体制改革和商业银行市场化的持续推进，以及第三方支付体系的剧烈冲击，信用卡行业竞争日趋白热化.在此大环境下，抢夺支付场景流量、升级产品服务权益以加大信用卡营销力度，成为商业银行精准获客引流、增强用户黏性的重要抓手.值得关注的是，在产品权益快速多元化的同时，信用卡传统市场营销管理面临重大安全挑战.薅羊毛、恶意抢购、暴力套现、虚假订单等营销攻击行为难以避免[1-2]，极大损耗了银行营销资源及经济利益，如何向优质目标客群提供精准营销红利显得尤为关键.

1 信用卡市场营销面临的安全挑战

随着移动互联网和移动支付的成熟应用，网络营销成为信用卡尤为重要的营销手段之一.然而，信用卡营销资源被机器“羊毛党”暴力攻击，如暴力抢优惠券等事件时有发生.攻击者利用攻击工具模拟人类行为，绕过前端页面验证向后台发送批量请求，如批量注册、暴力破解密码、批量发送短信等行为，轻则影响服务器性能，重则为银行造成巨大经济损失，大大降低了优质客群的营销红利.与此同时，银行传统规则对识别机器行为局限性大:一则规则有限，一旦被识破，难以及时更新；二则规则越复杂，被破解后更难以维护[3].因此，如何提升信用卡安全营销能力，成为商业银行业务模式创优的迫切需要.

近年来，人工智能(artificial intelligence, AI)领域的新一代信息革命浪潮伴随“互联网+金融”的融合发展，为信用卡传统营销模式提供了新的技术路线[4-5].AI技术摒弃了以往模式中的经验思维，呈现出深度学习、跨界融合、人机协同、群智开放、自主操作等特征，在机器识别、欺诈侦测、信用评级、精准营销等方面均有重要突破[6-8].基于此，本文以信用卡网络安全营销为切入点，旨在研究基于AI技术的精准营销方案，通过被动防控与主动挖掘相结合，提供了人机识别与精准营销的案例分析，以期辅助银行保障营销资源合理投放、精准定位目标客群，进而提升信用卡业务收入，并逐步完成多渠道、多产品的营销策略全面升级，为银行信用卡营销业务的健康持续发展提供解决思路.

2 基于AI技术的安全营销路径分析

为了提高信用卡营销效率，快速精准搜索目标客群，本文提出了以下2种解决路径：即基于人机识别模型的被动防控与基于精准营销模型的主动挖掘.一方面通过AI算法提高对恶意攻击营销资源的机器识别能力，以保障优质客群的服务权益；另一方面通过大数据营销响应模型，精准搜索具有业务需求的营销高响应客群.

2.1 被动防控：人机识别

依托于设备行为数据、场景行为链、设备、 IP访问历史、全站安全态势等多维度监控，结合AI技术的数据挖掘，可辅助实现人机验证的准确识别.以某项目为例，本研究针对信用卡营销网页前端的滑块验证方式，构建了基于AI算法的二分类模型，对人与机器行为进行预测识别.

初始变量及其描述如表1所示.通过验证码拖动行为的数据分解，还原点的轨迹信息，并基于点的位置变化进行特征加工.与此同时，通过数据探索与可视化，探究机器与人的行为模式差异.

表1 人机识别模型变量描述

图1和图2展示了机器与人的滑动轨迹，可以看出机器轨迹多分布于固定值，或呈现反复的剧烈波动；而人的轨迹相对比较灵活，与机器轨迹差异性较大.

在对数据表现的初步探索后，深入挖掘了位置、速度、角度、设备等多个维度的上百个候选变量.设置该模型样本的训练集与测试集比例为7∶3，在参数调优、模型融合等模型开发及调优后，人机识别模型判别准确率达到99.06%，可为防控信用卡网络营销活动的机器攻击行为提供参考依据.

2.2 主动挖掘：精准营销

AI技术的快速发展催生了新零售业态，更对商业银行主动搜索、精准营销的大数据分析及运用能力提出了更高要求.随着信用卡年费、手续费等传统费用逐渐减免，提升分期、收单等中间业务收入尤为重要.信用卡营销不应只停留在“广撒网”的被动防控阶段，更应进一步细分支付场景和消费群体，主动挖掘潜在目标客户，以降低营销风险及营销成本，同时减免客户打扰.基于某电销分期项目，建立了AI-营销响应模型，通过预测客户的分期响应概率，筛选出响应率高的客户进行电话营销，并与传统营销模式进行比对.模型设计思路如图3所示:

图1 机器滑动轨迹

图3 基于AI算法的营销响应模型

图4 分期响应模型评价指标

在样本清洗中，选取6个月项目数据为观测期，按照1∶5的比例随机抽取正负样本，得到建模可用样本.通过对数据表现的初步排查，剔除了部分特殊卡产品.在特征提取中，该模型主要包括交易金额、交易笔数、额度使用、交易时间、分期特征以及账户属性等维度，共计百余个特征变量.在建模过程中，通过参数调优、变量筛选、算法比对等技术手段，多次对模型进行深度迭代.

该模型经过样本内验证及跨时区校验，各方面指标表现较好.KS值达到0.601，可见模型对分期响应客户的区分能力较强；AUC值为0.887，模型准确性较高；此外，同时参考了LIFT提升图与GAIN增益图，如图4所示.

模型开发完成后，通过实际测试验证了该模型对目标客群的定位准确性.在相同人力外呼同等数量客户的情况下，相比无筛选情况的分期响应率提升27%、无效名单下降40%、营销人员人均产值提升70%.此外，在传统的分期营销模式中，分期产品单一，营销客群分散，无法根据客户关联偏好推荐其最感兴趣的分期产品类别，不利于实现收入的最大化.基于AI算法的预测模型，可辅助银行实现精细化的智能营销管理模式，通过预测每位客户响应概率相对较高的产品集，提升产品营销组合的决策能力.

3 总 结

本文为信用卡安全精准营销提出了一种基于AI技术的模型方案.一方面分析了当前信用卡网络营销面临的安全挑战及其防控技术，另一方面从主动挖掘的角度，为商业银行提供精准营销的解决方案.经验证，该模型各方面指标表现稳定，AI算法可有效实现机器攻击行为侦测，判别准确率达到99.06%；精准营销模型可提升27%营销响应率，坐席人员人均产值提升70%.

基于此，本研究可为信用卡的安全营销提供技术解决思路，保障了优质客群的服务体验，同时减少了营销人力、资源及时间成本.通过AI算法结合业务经验辅助实现营销资源的最优配置，从而降低营销资源攻击风险，减免非目标客户打扰，进一步提升了中间业务收入，尤其为信用卡安全营销模式提供了决策参考.

[1]欧阳志友, 孙孝魁. 基于梯度提升模型的行为式验证码人机识别[J]. 信息网络安全, 2017 (9): 143-146

[2]邓红. 电子商务网络营销平台的安全性分析[J]. 现代电子技术, 2017, 40(7): 88-91

[3]瑞数信息. 动态安全技术杜绝薅羊毛[J]. 金融电子化, 2017 (6): 85-86

[4]贺倩. 人工智能技术的发展与应用[J]. 电力信息与通信技术, 2017, 15(9): 32-37

[5]Li J, Wang R, Wang J, et al. Analysis and forecasting of the oil consumption in China based on combination models optimized by artificial intelligence algorithms[J]. Energy, 2018, 144(1): 243-264

[6]佚名. 上海市政府发布《关于本市推动新一代人工智能发展的实施意见》[J]. 上海信息化, 2017 (12): 83-83

[7]吕欣, 李洪霞, 李鹏. 大数据与国家治理[M]. 北京: 电子工业出版社, 2017

[8]于孝建, 彭永喻. 人工智能在金融风险管理领域的应用及挑战[J]. 南方金融, 2017, 1(9): 70-74