智能评分
评分需要的数据
账户识别信息 账户信息 账户使用信息 账户拖欠信息 账户活跃程度信息 帐户收益性 利用模型评分/概率描述的客户/账户行为 商户信息 交易信息 申请信息 客户更新信息
智能评分并行处理
所有模型都在起作用 最终输出的是综合各个子模型的评分得到一个综 合分数 评分结果的准确度更高，评分效率更高
模型过程
采样建立数据 集 随机抽取样本作为训 练集，其余的样本作 为测试集 定义挖掘方法 •技术 •解释变量 •模型最大的层数
结果评估
有风险 Training Validation 579 619
无风险 5,790 6,190
决策树
关联规则
如果商户建立<=60天，有78.5％的商户会出现 风险。 如果商户建立>60天, 有72.3%的商户不会出现 欺诈。
监控交互平台
负责接收信用卡交易系统对交易监控的请 求 负责收集、预处理监控需要的各种数据， 包括交易数据、客户数据、申请数据、帐 户数据、商户数据 负责将监控结果以统一形式反馈到交易系 统
规则过滤
输入交易数据
账户号码 交易点 交易额度 交易代码 密码输入次数 交易频率 交易错误类型 交易方式
周期监控预处理
过滤处理
基于专家的经验对以往欺诈模式的总结过 滤规则
交易大小或金额数等于或大于***元 当前超过信用限额情况超过***元 过去12月拖欠次数超过***次 与有欺诈历史的商户交易 ……
监控界面
规则过滤结果
可疑交易 可疑原因
过去3日交易频率过大 交易数额过大 超过信用限额 与有欺诈历史的商户交易 ……
信用卡风险监控系统
内容介绍
1 信用卡欺诈风险监控 2 信用卡欺诈风险挖掘 3 信用卡交易统计分析 4 特约商户关系管理 5 绩效考核管理 6 系统维护管理
系统总界面
信用卡欺诈风险监控
目标 框架 原理 内容
监控交互平台 规则过滤 智能评分 异常处理
实现关键点
目标
缩短欺诈发生和探知的时间 缩短欺诈发现和账户处理之间的时间 及早发现新型的欺诈模式 快速部署新的反欺诈策略 不断量化地优化处理的决策点
模型构建/规则发现
专家经验
统计分析
挖掘分析
规则/模型优化 ——自学习系统
根据不断反馈到数据集市中的数据发现新 的欺诈模式，更新规则库，去除旧的无效 的规则 评分模型的优化，优化方法有方面：
一是利用新的交易数据重新进行数据挖掘过程， 产生新的监控评分模型 二是根据专家的经验，对一些方法的参数、特 征项进行调整重新进行数据挖掘过程，产生新 的监控评分模型
规则过滤、智能评分以及异常管理每个模 块的处理采用并行处理方式 通过系统程序优化 内容
欺诈挖掘模型 模型评分结果
实现关键点
目的
目前银行对欺诈的挖掘和管理主要采用人 工方式，随着签约帐户和卡业务量的迅速 增加，手工方式已经完全无法适应业务发 展的需要，成为业务发展的重大制约因素。 为了降低风险，提高收单行欺诈风险分析 能力。
客户档案
基本信息
账户号码 名称 所在地点 年龄 行业 信用级别 收入
欺诈记录
商户档案
基本信息
账户号码 名称 所在地点 代码 行业 信用级别 规模
欺诈记录
欺诈分析模型
风险分析模型：主要采用数据挖掘的方法，进行 风险数据采集；风险数据处理（包括风险指标计 算）；风险模型建立(包括风险算法参数确定)； 风险模型评估；风险结果解释；风险挖掘结果展 示。数据规则处理保证了所有的信用卡商户及交 易能够进行分析处理；智能评分算法的科学性和 严密性保证将欺诈商户从整体商户中辨别出来； 结果展示将模型分析结果以图形表格及报告的形 式进行解释，提供给用户一个友好的界面。
申请欺诈评分 伪造信用评分 丢失卡评分 帐号盗用评分 …….
智能评分结果
异常管理
异常处理原理
异常处理规则
异常处理规则是根据交易的监控分数、交易模式、 风险收益平衡，确认的一个合适处理方案 异常处理规则制定的关键
不同处理对客户影响不同 收益和损失的平衡
速度问题
需要与数据频繁交互的处理，用存储过程 在数据库端实现，减少程序与数据库之间 的交互时间
框架
原理
交易系统向监控交互平台提出交易授权请求，触 发交易实时监控系统进行监控； 首先对该笔交易进行规则过滤处理，被认为可疑 的交易将进行进一步的智能评分监控； 智能评分是利用监控评分模型对当前交易的欺诈 可能性进行评分，分数越高欺诈可能性越大； 根据评分结果，根据欺诈预警条件对交易进行欺 诈进行预警，异常处理过程结合评分结果，根据 异常处理规则以及专家经验，对欺诈交易提出处 理方案。
帐户使用信息
近期交易量 近期交易频度 近期因密码错误被拒绝的记录 与以往欺诈案例的关联 首次使用的国际卡
账户拖欠信息
当前拖欠月数/周期数，以及拖欠 数额 过去12个月中最高拖欠数目 当前超过信用限额情况 过去12个月中超过信用限额次数 ……
利用模型评分/概率描 述客户/账户行为
账户拖欠或未支付分数 账户关闭分数(客户要求的关闭) 或属性分数 期望的使用分数 收入分数 概率分数(风险调整过的) ……
框架
原理
首先交易系统将一个分析周期的交易数据传送给 数据库，用户通过系统的分析交互平台提出分析 请求，触发风险管理系统进行分析； 风险管理系统首先对所有交易进行数据处理，其 中有一大部分交易属于非怀疑情况，不再进行下 一步的分析处理，被认为可疑的交易将进行进一 步的智能评分分析，在此阶段，系统将提供过滤 规则的参数化设置。 智能评分是结合经验算法和数据挖掘算法，建立 欺诈评分模型对商户欺诈可能性进行评级，分数 越高欺诈可能性越大； 根据评分结果，根据欺诈预警条件对帐户进行欺 诈分析内容预警展示。
周期监控预处理 客户/帐户监控预处理 商户监控预处理 预处理的周期 日、周、月 周期监控预处理会不断调整 根据数据集市数据的不断更新 周期监控预处理结果 账户预制档案
客户/帐户预制档案
基本信息
客户申请资料 帐户登记资料
账户活跃程度信息
消费次数，ATM使用次数，在 过去12个月中其他使用次数及 数量 消费次数，ATM使用次数，在 过去13到24个月中使用次数及 数量 ……