CN109522317A - 一种反欺诈预警方法及系统 - Google Patents

Abstract

本申请提供了一种反欺诈预警方法及系统。所述方法包括：获取输入数据；根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系；将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果；在所述匹配结果为成功的情况下，执行预警操作。

Description

一种反欺诈预警方法及系统

技术领域

本发明涉及计算机领域，尤其涉及一种反欺诈预警方法及系统。

背景技术

我国2010年开始有消费金融公司成立，13年11月银监会发布《消费金融公司试点管理办法(修订稿)》，推出扩大销售金融公司试点，线上线下场景的消费金融业务进入快速发展阶段。近几年随着市场的不断扩大发展，各类集体欺诈事件层出不穷，欺诈手段五花八门。

当前对于欺诈情况和欺诈行为，大多还是以传统的实地走访，人工审核等方式进行欺诈风险的监控及预防。传统预防方式正面临着难度大，效率低等问题，严重影响了消费金融公司的风险控制能力和业务发展。

发明内容

本申请提供了一种反欺诈预警方法及系统，能够对不同欺诈行为进行实时监控、快速预警和动态调优。

第一方面，提供了一种反欺诈预警方法，包括如下步骤：

获取输入数据；

根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系；

将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果；

在所述匹配结果为成功的情况下，执行预警操作。

可选地，在根据所述输入数据从数据库中查找与所述输入数据关联的相关数据之前，所述方法还包括：

将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型；在所述匹配结果为成功的情况下，执行预警操作；在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。

可选地，在所述执行预警操作后，所述方法还包括：对执行所述预警操作后的反欺诈预警效果定期输出监控报表；根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。

可选地，所述输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，所述输入数据包括客户数据、销售店员数据以及门店数据中的一种或者多种，其中，

所述客户数据包括客户贷前数据、客户贷中数据以及客户贷后数据；

所述销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据；

所述门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据。

可选地，所述预警策略包括客户欺诈预警策略，销售店员欺诈预警策略以及门店欺诈预警策略中的一种或者多种，其中，

所述客户欺诈预警包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种；

所述销售店员欺诈预警策略包括提单量异常预警策略、拒单量异常预警策略、客户逾期异常预警策略、办单地址异常预警策略中的一种或者多种；

所述门店欺诈预警策略包括门店办单量异常预警策略、贷款金额异常预警策略、失联客户量异常预警策略中的一种或者多种。

第二方面，提供了一种反欺诈预警方法，包括获取单元、关联单元、匹配单元以及预警单元：

所述获取单元获取输入数据；

所述关联单元用于根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系；

所述匹配单元用于将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果；

所述预警单元用于在所述匹配结果为成功的情况下，执行预警操作。

可选地，所述关联单元在生成所述关联数据之前，还用于将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型；在所述匹配结果为成功的情况下，执行预警操作；在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。

可选地，所述预警单元在执行所述预警操作后，还用于对执行所述预警操作后的反欺诈预警效果定期输出监控报表；根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。

可选地，所述输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，所述输入数据包括客户数据、销售店员数据以及门店数据中的一种或者多种，其中，

所述客户数据包括客户贷前数据、客户贷中数据以及客户贷后数据；

所述销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据；

所述门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据。

可选地，所述预警策略包括客户欺诈预警策略，销售店员欺诈预警策略以及门店欺诈预警策略中的一种或者多种，其中，

所述客户欺诈预警包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种；

所述销售店员欺诈预警策略包括提单量异常预警策略、拒单量异常预警策略、客户逾期异常预警策略、办单地址异常预警策略中的一种或者多种；

所述门店欺诈预警策略包括门店办单量异常预警策略、贷款金额异常预警策略、失联客户量异常预警策略中的一种或者多种。

上述方法中，通过获取输入数据，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果，从而在所述匹配结果为成功的情况下，执行预警操作。上述方法通过对输入数据和关联数据使用策略匹配进行反欺诈预警，实现对不同欺诈行为的识别、预警和预防，从而减少了人工识别金融欺诈的工作量，提高了金融公司的风险控制能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的一种反欺诈预警方法的流程示意图；

图2是本申请提供的一种反欺诈预警方法的输入数据形成的流程示意图；

图3是本申请提供的一种反欺诈预警方法的客户数据形成的流程示意图；

图4是本申请提供的一种反欺诈预警方法的销售店员数据及门店数据形成的流程示意图；

图5是本申请提供的一种反欺诈预警系统的结构示意图；

图6是本申请提供的一种处理器的结构示意图；

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或描述，这是为了避免本申请的核心部分被过多的描述所淹没。对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

本申请实施例的反欺诈预警方法及系统可以应用在多个领域，例如，银行、金融公司、互联网金融点对点借贷平台(Person-to-Person,P2P)、汽车金融公司或担保公司等可以实现借贷操作的公司等等，此处不作具体限定。

图1是本发明实施例提供的一种反欺诈预警方法的流程示意图。由图1可知，本实施例的反欺诈预警方法包括以下步骤：

S101：获取输入数据。

在本申请实施例中，输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，其中，客户可以是银行或借贷公司的借款客户，客户贷款生命周期中各环节产生的数据可以是客户生命周期中各个环节、各种不同类型的数据，例如客户申请资料、客户行为数据、客户三方数据、客户逾期数据等等，此处不作具体限定。图2是本申请提供的一种反欺诈预警方法中输入数据形成的流程示意图，由图2可知，当客户执行借款操作时，产生的借款数据将会上传至服务器，经过数据分类、量化、整理等手段进行数据处理后，存储在数据库当中，生成反欺诈预警系统的输入数据。可以理解的是，客户执行借款操作还可以是现金借款，由销售店员将借款数据上传至服务器，图2仅仅是用于说明，不构成具体限定。

在本申请实施例中，输入数据可以是客户数据、销售店员数据以及门店数据中的一种或者多种，其中，客户数据是将客户全流程数据及客户信息进行整理量化，并通过客户ID将不同类型的数据连接储存，客户数据可以是客户贷前数据、客户贷中数据以及客户贷后数据。图3是本申请提供的一种反欺诈预警方法中客户数据形成的流程示意图，如图3所示，贷前数据可以是客户申请表数据以及客户行为数据，贷中数据可以是客户审核数据、三方数据以及签约行为数据，贷后数据可以是客户逾期数据、客户还款行为数据以及客户代还款数据。应理解，图3仅仅是用于说明，不构成具体限定。

在本申请实施例中，销售店员数据及门店数据都是根据客户数据形成的衍生变量，图4是本申请提供的一种反欺诈预警方法中销售店员数据与客户数据形成的流程示意图，其中，销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据，例如：不同时间的办单客户量、进件量、多头率、黑名单率、办单异常率、剔除行为异常率、逾期率、拒绝率、欺诈风险率等等，此处不作具体限定；门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据，例如：不同时间门店的办单客户量、进件量、办单异常量、贷款金额等等，此处不作具体限定。应理解，图4仅仅是用于说明，不构成具体限定。

S102：根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，其中，所述相关数据与预警策略存在对应关系。

在本申请实施例中，在根据所述输入数据从数据库中查找与所述输入数据关联的相关数据之前，将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果；在所述匹配结果为成功的情况下，执行预警操作；在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。其中，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型。

在本申请实施例中，神经网络模型可以是BP神经网络(Back Propagation)、Hopfield网络、自适应共振理论网络(Adaptive Resonance Theory,ART)、Kohonen 网络、长短期记忆网络(Long Short-Term Memory,LSTM)、残差网络(Residential Networking,ResNet)、循环神经网络(Recurrent Neural Networks,RNN)等等，此处不作具体限定。

在本申请实施例中，客群预警模型可以表示为y＝f(x)，其中，x为输入数据， y为高风险客户输出结果，f为输入数据和高风险客户输出结果之间的映射关系，可以理解的是，映射关系f可以使用大量的已知高风险客户输出结果和已知输入数据的对应关系进行训练得到，其中，已知高风险客户输出结果和已知输入数据可以通过大量采集历史高风险客户数据样本得到。

在本申请实施例中，相关数据可以是客户自身关联的数据，例如：同一个客户在不同时间段、不同区域申请时提交的信息之间的关联对比等等；相关数据可以是客户与客户关联的数据，例如：不同的客户在同一个单位、同一个住址或同一个电话号码之间的关联对比等等；相关数据还可以是销售店员与客户关联的数据，例如：同一销售店员办理业务时对不同客户或在不同时间段的办单行为数据之间的关联等等；相关数据还可以是门店与销售店员关联、门店与客户关联的数据等等，应理解，以上举例仅仅用于说明，并不能构成具体限定。

S103：将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果。其中，所述预警策略包括客户欺诈预警策略，销售店员欺诈预警策略以及门店欺诈预警策略中的一种或者多种。

在本申请实施例中，客户欺诈预警可以是对假冒他人申请贷款的欺诈行为、无还款意愿的骗贷行为、为获取贷款和提供虚假资料的行为等客户存在欺诈的行为进行预警，客户欺诈预警具体包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种。以下表1示出客户欺诈预警的示例，应理解，表1所示的预警策略仅仅是作为举例，不作具体限定。

表1客户欺诈预警策略

在本申请实施例中，销售店员欺诈预警可以是对销售店员在办单业务时，可能涉及或参与的欺诈行为进行预警，例如：对销售协助客户提供虚假资料、销售协助或主动参与客户进行骗贷、销售协助或主动帮助客户进行分期套现等欺诈行为进行预警。销售店员欺诈预警策略具体包括提单量异常预警策略、销售类异常预警策略、拒单量异常预警策略、审核异常预警策略、逾期类异常预警策略、设备类异常预警策略、办单地址异常预警策略中的一种或者多种。以下表2示出销售店员欺诈预警的示例，应理解，表2所示的预警策略仅仅是作为举例，不作具体限定。

表2销售店员欺诈预警策略

在本申请实施例中，门店欺诈预警指的是对于门店在客户办理业务过程中对客户进行欺诈的行为进行预警，门店欺诈预警策略具体包括门店办单量异常预警策略、贷款金额异常预警策略、失联客户量异常预警策略中的一种或者多种。以下表3示出销售店员欺诈预警的示例，应理解，表3所示的预警策略仅仅是作为举例，不作具体限定。

表3门店欺诈预警策略

S104：在所述匹配结果为成功的情况下，执行预警操作。

在本申请实施例中，在执行预警操作后，对执行所述预警操作后的反欺诈预警效果定期输出监控报表；根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。其中，报表监控可以是按策略类型、各条策略明细做周、月、季度的预警效果输出报表结果，报表数据可以包括预警率、预警主体的逾期率区分度、预警主体的欺诈调查结果区分度等等，此处不做具体限定。其中，各个报表数据可以设定正常区间值，超过正常区间值的策略即为预警低、效果差的预警策略，通过数据分析和个案分析后调整该条策略对应的预警阀值或整条策略的预警方案，从而达到对欺诈风险的预警策略不断调优的目的。

上述方法中，通过获取输入数据，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果，从而在所述匹配结果为成功的情况下，执行预警操作。上述方法通过对输入数据和关联数据使用策略匹配进行反欺诈预警，实现对不同欺诈行为的识别、预警和预防，从而减少了人工识别金融欺诈的工作量，提高了金融公司的风险控制能力。

图5是本申请提供的一种反欺诈预警系统的结构示意图。如图5所示，本申请的反欺诈预警系统包括：获取单元510、关联单元520、匹配单元530以及预警单元540：

所述获取单元510获取输入数据。

在本申请实施例中，获取单元510获取的输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，其中，客户可以是银行或借贷公司的借款客户，客户贷款生命周期中各环节产生的数据可以是客户生命周期中各个环节、各种不同类型的数据，例如客户申请资料、客户行为数据、客户三方数据、客户逾期数据等等，此处不作具体限定。

在本申请实施例中，获取单元510获取的输入数据可以是客户数据、销售店员数据以及门店数据中的一种或者多种，其中，客户数据是将客户全流程数据及客户信息进行整理量化，并通过客户ID将不同类型的数据连接储存，客户数据可以是客户贷前数据、客户贷中数据以及客户贷后数据。其中，贷前数据可以是客户申请表数据以及客户行为数据，贷中数据可以是客户审核数据、三方数据以及签约行为数据，贷后数据可以是客户逾期数据、客户还款行为数据以及客户代还款数据。应理解，图3仅仅是用于说明，不构成具体限定。

在本申请实施例中，销售店员数据及门店数据都是根据客户数据形成的衍生变量，其中，销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据，例如：不同时间的办单客户量、进件量、多头率、黑名单率、办单异常率、剔除行为异常率、逾期率、拒绝率、欺诈风险率等等，此处不作具体限定；门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据，例如：不同时间门店的办单客户量、进件量、办单异常量、贷款金额等等，此处不作具体限定。

所述关联单元520用于根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系。

在本申请实施例中，关联单元520在根据所述输入数据从数据库中查找与所述输入数据关联的相关数据之前，将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果；在所述匹配结果为成功的情况下，执行预警操作；在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。其中，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型。

在本申请实施例中，神经网络模型可以是BP神经网络、Hopfield网络、ART、Kohonen网络、LSTM、ResNet、RNN等等，此处不作具体限定。

在本申请实施例中，客群预警模型可以表示为y＝f(x)，其中，x为输入数据， y为高风险客户输出结果，f为输入数据和高风险客户输出结果之间的映射关系，可以理解的是，映射关系f可以使用大量的已知高风险客户输出结果和已知输入数据的对应关系进行训练得到，其中，已知高风险客户输出结果和已知输入数据可以通过大量采集历史高风险客户数据样本得到。

在本申请实施例中，关联单元520产生的相关数据可以是客户自身关联的数据，例如：同一个客户在不同时间段、不同区域申请时提交的信息之间的关联对比等等；相关数据可以是客户与客户关联的数据，例如：不同的客户在同一个单位、同一个住址或同一个电话号码之间的关联对比等等；相关数据还可以是销售店员与客户关联的数据，例如：同一销售店员办理业务时对不同客户或在不同时间段的办单行为数据之间的关联等等；相关数据还可以是门店与销售店员关联、门店与客户关联的数据等等，应理解，以上举例仅仅用于说明，并不能构成具体限定。

所述匹配单元530用于将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果。

在本申请实施例中，客户欺诈预警可以是对假冒他人申请贷款的欺诈行为、无还款意愿的骗贷行为、为获取贷款和提供虚假资料的行为等客户存在欺诈的行为进行预警，客户欺诈预警具体包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种。

销售店员欺诈预警可以是对销售店员在办单业务时，可能涉及或参与的欺诈行为进行预警，例如：对销售协助客户提供虚假资料、销售协助或主动参与客户进行骗贷、销售协助或主动帮助客户进行分期套现等欺诈行为进行预警。销售店员欺诈预警策略具体包括提单量异常预警策略、销售类异常预警策略、拒单量异常预警策略、审核异常预警策略、逾期类异常预警策略、设备类异常预警策略、办单地址异常预警策略中的一种或者多种。

所述预警单元540用于在所述匹配结果为成功的情况下，执行预警操作。

在本申请实施例中，所述预警单元540在执行预警操作后，对执行所述预警操作后的反欺诈预警效果定期输出监控报表；根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。其中，报表监控可以是按策略类型、各条策略明细做周、月、季度的预警效果输出报表结果，报表数据可以包括预警率、预警主体的逾期率区分度、预警主体的欺诈调查结果区分度等等，此处不做具体限定。其中，各个报表数据可以设定正常区间值，超过正常区间值的策略即为预警低、效果差的预警策略，通过数据分析和个案分析后调整该条策略对应的预警阀值或整条策略的预警方案，从而达到对欺诈风险的预警策略不断调优的目的。

上述方法中，通过获取输入数据，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果，从而在所述匹配结果为成功的情况下，执行预警操作。上述方法通过对输入数据和关联数据使用策略匹配进行反欺诈预警，实现对不同欺诈行为的识别、预警和预防，从而减少了人工识别金融欺诈的工作量，提高了金融公司的风险控制能力。

图6是本申请实施例提供的一种服务器示意框图。如图6所示，本实施例中的服务器可以包括：一个或多个处理器601；一个或多个输入设备602，一个或多个输出设备603和存储器604。上述处理器601、输入设备602、输出设备 603和存储器604通过总线605连接。存储器602用于存储计算机程序，所述计算机程序包括程序指令，处理器601用于执行存储器602存储的程序指令。

在本发明实施例中，所称处理器601可以是中央处理单元(Central ProcessingUnit,CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(LCD等)、扬声器等。

存储器604可以包括易失性存储器，例如随机存取存储器(Random AccessMmemory,RAM)；存储器也可以包括非易失性存储器，例如只读存储器 (Read-Only Memory,ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive, HDD)或固态硬盘(Solid-State Drive,SSD)，存储器还可以包括上述种类的存储器的组合。存储器604可以采用集中式存储，也可以采用分布式存储，此处不作具体限定。可以理解的是，存储器604用于存储计算机程序，例如：计算机程序指令等。在本发明实施例中，存储器604可以向处理器601提供指令和数据。

具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603、存储器604、总线605可执行本发明实施例提供的反欺诈预警方法的第一实施例和第二实施例中所描述的实现方式，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法及装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上，可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种反欺诈预警方法，其特征在于，包括：

获取输入数据；

根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系；

将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果；

在所述匹配结果为成功的情况下，执行预警操作。

2.根据权利要求1所述的方法，其特征在于，在根据所述输入数据从数据库中查找与所述输入数据关联的相关数据之前，所述方法还包括：

将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型；

在所述匹配结果为成功的情况下，执行预警操作；

在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。

3.根据权利要求1至2任一权利要求所述的方法，其特征在于，在所述执行预警操作后，所述方法还包括：

对执行所述预警操作后的反欺诈预警效果定期输出监控报表；

根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。

4.根据权利要求1所述的方法，其特征在于，所述输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，所述输入数据包括客户数据、销售店员数据以及门店数据中的一种或者多种，其中，

所述客户数据包括客户贷前数据、客户贷中数据以及客户贷后数据；

所述销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据；

所述门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据。

5.根据权利要求1所述的方法，其特征在于，所述预警策略包括客户欺诈预警策略，销售店员欺诈预警策略以及门店欺诈预警策略中的一种或者多种，其中，

所述客户欺诈预警包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种；

所述销售店员欺诈预警策略包括提单量异常预警策略、拒单量异常预警策略、客户逾期异常预警策略、办单地址异常预警策略中的一种或者多种；

所述门店欺诈预警策略包括门店办单量异常预警策略、贷款金额异常预警策略、失联客户量异常预警策略中的一种或者多种。

6.一种反欺诈预警系统，其特征在于，包括获取单元、关联单元、匹配单元以及预警单元：

所述获取单元获取输入数据；

所述关联单元用于根据所述输入数据从数据库中查找与所述输入数据关联的相关数据，所述相关数据与预警策略存在对应关系；

所述匹配单元用于将所述输入数据和所述相关数据与所述预警策略进行匹配以得到匹配结果；

所述预警单元用于在所述匹配结果为成功的情况下，执行预警操作。

7.根据权利要求6所述的系统，其特征在于，所述关联单元在生成所述关联数据之前，还用于将所述输入数据输入客群预警模型进行高风险客户匹配，获得匹配结果，所述客群预警模型是通过历史高风险客户数据进行训练得到的神经网络模型；在所述匹配结果为成功的情况下，执行预警操作；在所述匹配结果为不成功的情况下，根据所述输入数据从数据库中查找与所述输入数据关联的相关数据。

8.根据权利要求6至7任一权利要求所述的系统，其特征在于，所述预警单元在执行所述预警操作后，还用于对执行所述预警操作后的反欺诈预警效果定期输出监控报表；根据所述监控报表，调整预警低的、效果差的预警策略对应的预警方案。

9.根据权利要求6所述的系统，其特征在于，所述输入数据是将客户贷款生命周期的数据经过分类量化处理后获得的数据，所述输入数据包括客户数据、销售店员数据以及门店数据中的一种或者多种，其中，

所述客户数据包括客户贷前数据、客户贷中数据以及客户贷后数据；

所述销售店员数据是根据销售店员名下所办单的客户数据得到销售店员提单行为数据，按日、周、月形成的衍生变量数据；

所述门店数据是根据门店下的销售店员数据及门店下的客户数据，按日、周、月形成的衍生变量数据。

10.根据权利要求6所述的系统，其特征在于，所述预警策略包括客户欺诈预警策略，销售店员欺诈预警策略以及门店欺诈预警策略中的一种或者多种，其中，

所述客户欺诈预警包括自有信息欺诈预警策略、重复申请欺诈预警策略、身份证欺诈预警策略、地址类欺诈预警策略、电话号码欺诈预警策略以及逾期类欺诈预警策略中的一种或者多种；

所述销售店员欺诈预警策略包括提单量异常预警策略、拒单量异常预警策略、客户逾期异常预警策略、办单地址异常预警策略中的一种或者多种；

所述门店欺诈预警策略包括门店办单量异常预警策略、贷款金额异常预警策略、失联客户量异常预警策略中的一种或者多种。