每日融资 mrrz

您现在的位置:首页 > 每日融资 > 电商金融业支付保障利器Maxent猛犸反欺诈A+轮融资的5000万元

电商金融业支付保障利器Maxent猛犸反欺诈A+轮融资的5000万元

近日,“Maxent猛犸反欺诈”正式对外宣布已于2017年3月完成由DCM领投的5000万元A+轮融资,A轮投资方祥峰投资此轮继续跟投。本轮融资将用于技术投入,以及市场营销团队的搭建,公司预计今年实现盈亏平衡。

Maxent猛犸反欺诈的主要应用场景在线上可以产生交易的环节,这里的交易是泛指,包括从最前端的注册开始,再到登陆,最后到支付等步骤,尤其是在互联网金融、电商、游戏等行业,“离钱越近就越危险”。Maxent猛犸创始人兼CEO张克估算,反欺诈是几百亿的市场规模,拿坏账来举例,假设100亿中坏账率在10%,企业愿意支付3亿去规避。也就是说,用30%解决100%的坏账。

而反欺诈这件事情的关键在于标示出问题用户。

 

 

张克归纳了反欺诈发展经历的阶段:

最初是建立黑名单,维度可能是人、电话号码、IP地址等,局限性在于不能做预防欺诈,并且也不能保证黑转白。

接下来演变出专家规则,即对过去已知的欺诈模式做总结,遇到符合特征的就识别定性。不过,企业业务转变很快,对于复杂未知的欺诈手法,专家规则就收效甚微。

再之后针对未知的动态欺诈手段,推出了异常检测。假设用户在半夜2-3点外卖,很不合常理,若结合他历史的交易行为发现都是如此,则风险较小,负责风险较大。当然,时间在该案例中只是一个数据维度,实际上每次判定都需要同时监测多个维度。

而Maxent猛犸反欺诈的做法就是结合了上述三种方法,重心在最后的异常检测,通过机器学习建模,用数据反应复杂的欺诈场景,在大量维度都出现异常时,做出预警提示。

这里,Maxent猛犸有三个核心技术。第一个是全栈被动式设备指纹技术,对每个设备有唯一的识别方法;第二个是时空动能模型,可以通过机器学习建模,来对时间、空间、发生频次三个维度进行分析判断用户的行为是否异常;第三个是关联图谱,即手机、用户、交易本身进行关联,可以把欺诈场景展现出来。

此外张克还强调,Maxent猛犸的一点核心优势是,反欺诈监测中仅需要用客户的第一方业务数据,并不依赖运营商等外部数据。Maxent猛犸更多是在帮企业了解用户,起到“查验观色”的作用。

而在反欺诈行业,同盾算是赛道上跑在前面的选手,还有36氪此前报道过一家硅谷反欺诈公司DataVisor,她们是通过数据聚类分析,“坏人的行为都是聚合的,好人的行为都是分散的”,从而进行判断。当问及各家使用方法的差异点,张克告知,同盾可能侧重对已知欺诈的监测。而相较DataVisor,Maxent猛犸是先做监测,发现异常后在做聚类,这时候需要多因子验证,比如,100个用户行为分了3类,A类50个,B类20个,C类30个,这时候并不能判断谁有问题,但如若C类中有5-10单已判定为欺诈,那么可认为C类都是“坏人”。

既然如此,有没有数据来衡量反欺诈公司的效果?张克告知,通常体现在两个指标——识别准确度、查全率,但实际上客户更关心的是自身业务的数据变化。拿金融行业的贷款来说,客户看的是人工审核成本有没有下降,坏账率有没有下降,通过率有没有上升之类。

据悉,Maxent猛犸反欺诈公司于2014年11月在上海成立,团队有52人,其中70%为技术人员。获客推广多是通过展会等传统渠道,根据用户数或者访问次数收费,平均客单价在50万元/年。

截至2017年2月,Maxent猛犸反欺诈提供服务的各类企业机构已超过300家,主要分布在风险集中区互联网与金融行业,合作客户有交通银行、恒丰银行、包商银行、中国银联、招联金融、众安科技、联动优势、还呗、现金卡、萨摩耶金融等。

姓 名:
邮箱
留 言: