供应链金融的反欺诈就是通过决策引擎来提升供应链上的风险识别能力，从而进行有效防范和降低企业损失。
供应链金融是B端企业布局产业互联网的必然趋势之一。
它是基于大数据风控，链接三方金融机构，围绕核心企业，来管理产业链上下游企业的信息流、物流、资金流。
供应链金融主要应用场景有垫资采购、融资租赁、仓储金融、保险申购、信用卡分期、银行按揭等。
一、了解金融欺诈
面对供应链汽车金融的各种应用场景，首要解决的问题是金融欺诈。
金融欺诈是用虚构数据、隐瞒事实的方式来骗取资金，且在申请借款时没有还款意愿。
常见的欺诈类型包括：资料造假、老赖、多头负债、信用恶化、内外勾结、虚假交易数据、冒充他人申请、团伙欺诈、多头负债、团伙欺诈、身份异常、还款来源不足、用途不明、不良信用记录、恶意拖欠、企业经营异常、跑路。
供应链金融欺诈就是企业将虚假交易数据与虚构经营数据，作为供应链授信的依据。
以汽车融资租赁应用场景为例，其欺诈行为包括申请欺诈、信用风险和坏账风险。
申请欺诈：资料造假、身份冒用、用途不明；
信用风险：多头借贷、合同诈骗、虚假交易；
坏账风险：人车失踪、经营异常、恶意拖欠。
二、反欺诈策略
对于供应链金融而言，在解决上下游企业融资难的问题时，也要确保随之而来的金融欺诈风险可控。
面对金融欺诈风险，首要任务是采取反欺诈策略。反欺诈就是通过对内外部数据的采集和分析，找出触碰规则的欺诈信息，从而预防欺诈行为的发生。
常见的反欺诈策略有：OCR识别、用户基本信息、黑名单、多头信息、手机号校验、运营商认证、人脸识别、活体验证、三方数据、设备信息、关系图谱、用户行为数据等。
反欺诈策略是供应链金融相关企业的核心内容，具体策略根据公司业务而定。
比如消费分期产品的决策树反欺诈策略，我们会采集用户的设备信息及基本信息，通过决策树可视化模型，提取决策变量组合，从而构建反欺诈规则集。
三、反欺诈模型
在反欺诈策略的指导下，我们可以通过大数据分析、机器学习、AI、和区块链等技术手段，建立实时数据采集、数据处理和欺诈返现的反欺诈模型。
比如现金贷的设备埋点反欺诈模型，在客户完成授信时，从设备信息验证和设备指纹识别中，提取符合反欺诈特征标签的数据，进一步搭建反欺诈模型。
结合历史放贷样本的y值，使用lightgbm和xgboost框架进行机器学习和深度学习，从而得到得到欺诈评分或欺诈规则，确保数据符合准入策略、认证策略和支用策略。
从关系图谱上，能够了解关联企业的经营关系；
从客户画像上，能够识别恶意客户与行为数据；
从数据挖掘上，能够判断企业真实的经营状况。
