Airbnb用机器学习打击信用卡盗刷，最小化退款损失

Airbnb为保护平台社群，完全吸收由盗刷产生的成本，因此在信用卡交易时，判断交易是否为盗刷变得至关重要，因为直接影响公司盈余。Airbnb信赖科学家David Press分享他们如何以机器学习判断信用卡盗刷案例，并对可疑案例执行额外验证机制。

如同许多线上服务，Airbnb也需要面对盗刷信用卡的风险。当信用卡持有人发现自己的卡被人在Airbnb盗刷时，经信用卡银行查账属实，便会要求Airbnb退还该笔款项，David Press表示，他们不同于其他竞争对手会把成本转嫁给屋主，Airbnb会吸收这些退款。

因此为了避免暴露在高退款成本的风险下，必须要主动的阻挡遭盗用的信用卡在平台上使用。Airbnb使用机器学习，将过去的交易纪录，包括正常的交易以及确认为诈骗的纪录当作学习样本，训练出自动判别诈骗的模型。

不过，David Press说，没有模型是完美的，由于阈值设定的原因，会有模棱两可的情况发生，对某些行为他们会毫不犹豫的封锁该交易，但部分情况会无法确定，此时他们会提供额外的验证机制，以阻挡真正的盗刷者。

预防盗刷的额外认证机制，包括要求持卡人登入网络银行确认授权的微认证，还有银行本身提供的3-D安全验证，要求输入密码或是SMS安全码，最严格的验证则是要求持卡人上传该卡的账单资讯。

Airbnb以过去的交易资料当作训练样本，训练模型分辨诈骗（Positive）与非诈骗（Negative）的交易，但是诈骗发生的概率非常低，这是属于一个缺乏正面范例的不平衡分类问题。

Airbnb在模型上使用真阳性（True-positive，TP）与假阳性（False-positive，FP）表示被正确判断诈骗案例，以及错误判断诈骗案例，并评估整体成本以达到最低损失。目标是要找出最小化整体损失L，数学表示式如下：

当对假阳性案例发生，模型错误判断诈骗案例发生数量FP，也就是对正常的交易客户，实施额外的验证机制，该客户有一定的概率因为不想完成额外验证而取消交易，其概率为G，而且这样的经验会影响该客户后续的生命周期价值V，因此假阳性成本计为FP * G * V。

而假阴性案例发生时，FN则是错误判断非诈骗的数量，也就是模型没有判断出来的诈骗案例，C为诈骗事件成本，整体成本为FN * C。真阳性案例发生，TP是正确判断诈骗事件的数量，而F则是验证机制的效果，成本为 TP*(1-F)*C。

左图为F=1 G=1的损失计算。右图F=0.95 G=0.1的损失计算，比起左图，（绿）诈骗损失下降，（橘）优质客户损失增加，但是（粉红）整体损失下降。

L的最低损失情况是G为0而F为1时，但这样的情况不可能发生。在部署机器学习模型的过程，多多少少会损失客户，其中包含对优质客户进行额外验证发生的损失，以及在调整数字时采取的A/B测试，发生的客户损失。David Press则认为，这些损失无可避免，是为了提供更好服务的必要成本。

David Press表示，打击诈欺行为是一种对抗性的业务，越积极则诈骗者再次尝试攻击的概率便会降低，但是上述的成本计算公式，并没有将这样的回馈加入考量，因此Airbnb会比以较积极的态度，执行防诈骗行为，发现诈骗事件发生概率上升，他们也会马上采去进一步行动。