反欺诈是一项识别服务，是对交易诈骗、网络诈骗、电话诈骗、盗卡盗号等行为的一项风险识别。其核心是通过大数据的收集、分析和处理，建立反欺诈信用评分和反欺诈模型，解决不同场景中的风险问题。

国内常见的提供反欺诈服务的公司有：同盾科技，百融金服，众安保险的Xmodel，腾讯的天御借贷反欺诈AF，阿里云的云盾，蚂蚁金服的蚁盾；模式多为Sass服务，产品形态为客户端控制台+服务端调用反欺诈API。

在本文中，就前期所选定的【信用卡欺诈数据】进行数据分析。信用卡欺诈属于传统金融行业的范畴，在国内外的解决方案也日渐成熟，国内更是提出了“AI+互联网金融赋能“的概念，技术的革新是日后发展的必然趋向。

1.信用卡欺诈的概况

2.数据集分析

数据集：数据样本为2013年9月欧洲持卡人在两天内进行的284,808笔信用卡交易

包含：Time（交易时间，需将s转化为hh-mm-ss形式），V1~V28（经PCA转换后的数字变量），Amount（交易金额），Class（交易类型，1为欺诈，0为其他）

分析思路：

在已知欺诈交易和非欺诈交易的情况下，分析两类的交易指标的四分位数、最大值、最小值、标准差、方差；四分位数和最大最小值可以绘制出该指标的箱线图，找出离群点，也可以观察出该指标中数据的离散程度；通过方差观察该指标数据的稳定程度，通过标准差观察该指标数据的偏离程度，一般都应符合正态分布；做出图形后，观察欺诈交易在图形中的分布；

通过时间分析，寻找欺诈交易在哪些时间点发生的概率更高；

通过金额分析，寻找欺诈交易金额在哪个区间范围内概率更高，对比非欺诈交易金额的区间范围i；

通过对V1~V28的分析，寻找该字段下欺诈交易与非欺诈交易各自的规则；

通过以上的分析，寻找欺诈交易和非欺诈交易的各自特性，当有新的一笔交易进入时，判断其属于哪一类的概率更高；

补充：如果能对单个交易账户分析，在数据中增加交易地点、交易商户类别、交易频率的指标都可以使得分析更全面。