CN109949154A - 客户信息分类方法、装置、计算机设备和存储介质 - Google Patents
客户信息分类方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109949154A CN109949154A CN201811544394.1A CN201811544394A CN109949154A CN 109949154 A CN109949154 A CN 109949154A CN 201811544394 A CN201811544394 A CN 201811544394A CN 109949154 A CN109949154 A CN 109949154A
- Authority
- CN
- China
- Prior art keywords
- risk
- client
- suspicious
- customer
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012502 risk assessment Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 10
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000013517 stratification Methods 0.000 abstract 1
- 238000004900 laundering Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种客户信息分类方法、装置、计算机设备和存储介质。涉及人工智能领域。所述方法包括:监控风险因子;当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;获取所述可疑风险客户的客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;根据最高的所述风险评分确定客户风险级别;获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。采用本方法能够使客户风险分级效率更高、风险分级准确性更高。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种客户信息分类方法、装置、计算机设备和存储介质。
背景技术
随着信息科技的发展,互联网技术逐渐拓展至金融领域,形成新的业务模式——互联网金融。互联网金融拓宽了金融服务的通道、优化了资金的配置、降低了交易成本、简化了交易程序,能够弥补传统金融的不足,满足用户多样化的需求。然而,互联网本身具有的匿名、快速、便捷等特点,也为各种非法行为的实施提供了有利条件,网络洗钱就是其中的一种。近年来,洗钱呈现由传统支付工具向互联网金融转移的趋势,不法分子利用网络支付工具洗钱已成常态。在这样的背景下,如何快速有效地防范洗钱风险已成为互联网金融行业发展亟待解决的问题。
对客户进行风险评估是互联网金融行业防范洗钱风险的一种重要手段。传统的对客户进行风险评估是对平台中的所有客户进行风险判别,由于金融交易系统中风险客户的占比是很小的,大部分客户都是正常客户,对所有的客户进行风险级别判定将占用服务器较大的计算资源,客户风险分级效率低下。此外,传统的客户风险判别是通过规则模型去判别,时候的规则标准、规则使用信息有限,因此判别结果的准确性不能保证。
发明内容
基于此,有必要针对上述技术问题,提供一种能够使客户风险分级效率更高、风险分级准确性更高的客户信息分类方法、装置、计算机设备和存储介质。
一种客户信息分类方法,所述方法包括:
监控风险因子;
当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;
获取所述可疑风险客户的客户画像;
通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;
根据最高的所述风险评分确定客户风险级别;
获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
在一个实施例中,所述获取所述可疑风险客户的客户画像,包括:
获取所述可疑风险客户的关联客户;
获取所述可疑风险客户对应的第一客户画像;
获取所述关联客户对应的第二客户画像;
通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果,包括:
将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
在一个实施例中,在通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果之前,还包括:
获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;
获取指定的第一风险行为场景;
从所述因子树中提取与所述第一风险行为场景对应的建模因子;
获取样本数据,所述样本数据中的正负样本比例为设定比例;
从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;
将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
在一个实施例中,在将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述风险行为场景对应的风险评分模型之后,还包括:
构建第二风险行为场景对应的第二风险评分模型;
将所述第一风险评分模型和所述第二风险评分模型串联连接或者并联连接。
在一个实施例中,在获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签之后,还包括:
判断最高的所述风险评分是否大于第二设定阈值,若是,收集所述可疑风险客户的生物特征信息;
将所述生物特征信息添加至黑名单。
一种客户信息分类装置,所述装置包括:
风险因子监控模块,用于监控风险因子;
可疑风险客户确定模块,用于当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;
客户画像获取模块,用于获取所述可疑风险客户的客户画像;
风险评分模块,用于通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;
风险评级模块,用于根据最高的所述风险评分确定客户风险级别;
风险标签确定模块,用于获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
在一个实施例中,所述客户画像获取模块,还用于,获取所述可疑风险客户的关联客户;获取所述可疑风险客户对应的第一客户画像;获取所述关联客户对应的第二客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果,包括:将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
在一个实施例中,所述装置还包括:风险评分模型构建模块,用于获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;获取指定的第一风险行为场景;从所述因子树中提取与所述第一风险行为场景对应的建模因子;获取样本数据,所述样本数据中的正负样本比例为设定比例;从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述的方法的步骤。
上述客户信息分类方法、装置、计算机设备和存储介质,先通过风险因子,初步筛选风险客户,即可疑风险客户;再通过风险评分模型对可疑风险客户画像的模型评分,根据模型评分进行客户风险分级;风险因子筛选掉了大部分不需要进行风险评级的客户,实现了仅对判别为可疑的客户进行风险评级,大大较少了风险判别的客户量,且又能保障风险客户的命中率。此外,风险评分模型可对客户画像中的多维度特征信息进行全面的评估,能够得到多种风险行为的风险评分,基于全面的、针对多种风险行为的风险评分可更加准确地评估客户风险级别。
附图说明
图1为一个实施例中客户信息分类方法的流程示意图;
图2为一个实施例中风险评估模型构建步骤的流程示意图;
图3为一个实施例中客户信息分类装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种客户信息分类方法,该方法可应用在服务器,具体包括以下步骤:
步骤102,监控风险因子。
步骤104,当风险因子满足预设激活条件时,根据风险因子确定可疑风险客户。
风险因子可以是交易行为,客户信息变更行为,还可以是通过舆情反映出的风险事件。当风险因子满足预设激活条件时,将风险因子对应的客户主体作为风险客户。如请求风险交易行为的请求人为可疑风险客户,请求客户信息不正常变更的请求为客户风险客户,风险事件中涉及的关键人物或者相关人物作为可疑风险客户。
当风险因子是交易行为时,则监控风险因子为监控交易行为。具体包括监控交易金额、交易频率以及交易对象等。当交易金额达到设定值、交易频率达到设定值、交易对象被黑名单命中,则风险因子满足预设激活条件。
当风险因子是客户信息变更行为时,则监控风险因子为监控客户信息变更行为是否为不正常信息变更。具体包括:监控客户名称是否变更,客户性别是否变更,若是,则风险因子满足设定预设激活条件。
当风险因子为通过舆情反映的风险事件时,则监控风险因子为收集舆情信息,若舆情信息反映出风险事件则风险因子满足设定预设激活条件,如客户法人的负面舆情风险事件(如客户法人的公检法信息)、企业破产等。
步骤106,获取可疑风险客户的客户画像。
当风险因子满足预设激活条件时,从风险因子提取风险主体信息,从用户注册库中查找与可疑风险客户信息对应的客户标识,并客户标识对应的客户画像。其中,从风险因子提取的风险主体信息可以是主体名称、主体地址、主体姓名、年龄等。
预先构建客户画像库,客户画像库中的每个客户画像包括客户多维度属性特征。多维度属性特征包括:基本特征、交易方位特征、社交特征、交易特征和相关联的客户特征。
其中,基本特征包括年龄、性别、职业等;交易方位特征包括交易点方位以及客户在交易点前后的活动方位。在一个实施例中可通过地图存储客户的交易方位特征。具有犯罪行为的人在交易前后会呈现出规律化的活动方位,因此,交易方位以及交易前后的活动方位在一定程度反映该客户是否有犯罪风险。
社交特征是对社交平台的社交数据进行特征提取得到的,包括社交对象群体,社交活动类型等。交易特征是对从网购平台或者金融交易平台的交易数据进行特征提取得到的,包括交易对象群体、交易行为特征,交易对象。
相关联的客户可以包括交易对象、社交对象,家属等。相关联的客户特征同样是多维度属性特征。可通客户间的关联关系建立多个客户画像之间的关联关系。例如,建立具有交易关系的两个客户的客户画像之间的关联关系。
本实施例中,根据风险因子确定可疑风险客户后,获取可疑风险客户对应的客户画像,同时查找可疑风险客户的关联客户,获取关联客户的客户画像。或者根据风险因子确定可疑风险客户后,获取可疑风险客户对应的客户画像,同时获取与客户画像关联的客户画像(客户画像之间相互关联)。
步骤108,通过风险评分模型对客户画像进行风险评估,得到风险评估结果,风险评估结果包括可疑风险客户的多种风险行为的风险评分。
将可疑风险客户的客户画像中的特征信息输入到风险评分模型中,风险评分模型将可疑风险客户的多维度属性特征与多种风险行为特征进行匹配,评估可疑风险客户出现每种风险行为的概率。
具体为,预先构建风险评分模型,风险评分模型能够评估设定风险类型,该风险类型表现出多种风险行为,风险评分模型评估可疑风险客户可能做出每种风险行为的概率,若任一风险行为概率大于设定阈值,则可判别该可疑风险客户是该风险类型的高风险客户。
步骤110,根据最高的风险概率确定客户风险级别。
步骤112,获取大于第一设定阈值的风险评分对应的目标风险行为,将目标风险行为设置为可疑风险用户的风险标签。
多个风险评分模型对客户画像进行评分,得到多个风险评分,根据最高的风险评分对风险客户进行风险评级。如最高评分为85分,85分对应的风险级别为高风险。此外,还根据风险评分为风险客户添加风险标签,如地下洗钱行为的风险评分为90分,非法集资的风险评分为75分,85和75分均大于第一设定阈值70,则将地下洗钱、非法集资作为该风险客户的风险标签。
进一步的,判断最高的风险评分是否大于第二设定阈值,如第二设定阈值为90。若最高风险评分大于第二设定阈值,则收集可疑风险客户的生物特征信息;将可疑风险客户的生物特征信息添加至黑名单。上述的生物特征信息包括人脸、声纹、脉搏、指纹、虹膜。在一个实施例中,还可以从可疑风险客户对应的客户画像中提取生物特征信息。
传统的判定客户风险级别的方式为对所有客户进行风险级别判定,由于金融交易系统中风险客户的占比是很小的,大部分客户都是正常客户,对所有的客户进行风险级别判定将占用服务器较大的计算资源,客户风险分级效率低下。本实施例中,先通过风险因子,初步筛选风险客户,即可疑风险客户,再通过风险评分模型对可疑风险客户画像的模型评分,根据模型评分进行客户风险分级,风险因子筛选可大大减少风险判别的客户量,且又能保障风险客户的命中率。
此外,本实施例中,风险评分模型针对多种风险行为对可疑风险客户进行全面的评估,可准确全面的进行客户风险级别划分,即对风险客户进行分类。
在一个实施例中,步骤206,获取可疑风险客户的客户画像,包括:获取可疑风险客户的关联客户,获取可疑风险客户对应的第一客户画像,获取关联客户对应的第二客户画像。
步骤108,通过风险评分模型对客户画像进行风险评估,得到风险评估结果,包括:将第一客户画像和第二客户画像输入至风险评分模型中,得到可疑风险客户的风险评估结果。
客户的关联客户包括交易频率大于设定阈值的客户或者标记为亲属关系的客户。再根据风险因子确定可疑风险客户后,除获取可疑风险客户的客户画像外,还获取关联客户的客户画像。并将可疑风险客户的客户画像和关联客户的客户画像有序输入到风险评分模型中,即将可疑风险客户的客户画像作为第一输入,将关联客户的客户画像作为第二输入。风险评分模型在对可疑风险客户进行多种风险行为的风险评分时,可从关联客户的客户画像中提取辅助特征,使得风险评分结果更加准确。
举例来说,客户A是待评估的可疑风险客户,客户B是与客户A频繁交易的关联客户,客户B的客户画像中其中一个特征标签为“戒毒人员”,则风险评分模型根据客户B“戒毒人员”这一辅助特征,可以给予客户A的贩毒行为更高的风险评分。
在一个实施例中,提供了一种基于客户风险级别的业务办理方法,包括:
接收业务办理请求,提取请求中携带的生物特征信息;判断请求人的生物特征信息是否被黑名单命中,若是,则拒绝该业务请求。若请求人的生物特征信息是没有被黑名单命中,查找该请求人是否存在风险级别,若否,则将业务请求推送至业务办理终端进行业务办理,查找到请求人对应的风险级别,若风险级别为高风险或者中高风险级别,则将该请求人的业务请求推送至指定的业务办理终端进行办理。
在一个实施例中,对于不同风险级别的客户,设置不同的评级调整频率。按照评级频率对已有评级数据的客户进行再次评级。如高风险客户设定比较短的风险评级调整频率,比如频率为一个月,如每隔一个月基于该客户最新的客户画像进行风险评级。即对高风险客户进行密切关注。低风险客户设定比较长的风险评级调整,比如频率是半年,每隔半年重新评定该客户的风险级别。
在一个实施例中,如图2所示,提供了一种风险评分模型构建方法,具体包括如下步骤:
步骤202,获取因子树,因子树包括多个节点,每个节点关联一个建模因子。
因子树是包括多级节点的树形结构。因子树可以包括主节点、主节点下的从节点、从节点下的次节点,次节点下的粉节点。因子树的每个节点关联建模因子。其中,建模因子是多维度的建模因子,如图4所示,包括来自交易维度的建模因子,来自方位维度的建模因子、来自社交维度的建模因子、来自关联对象维度的建模因子。具体的,交易维度的建模因子可以包括交易频率、交易金额、交易对象(交易对象集中度、交易对象特征)、交易集中度;方位维度的建模因子可以包括交易地、途经地(交易前的途经地、交易后的途经地);社交维度的建模因子可以包括交往领域、交往内容(交往内容、交往频率、交往位置),关联对象维度下包括关联对象的交易维度、方位维度、社交维度以及交易对象的交易对象维度等;舆情维度,如法人舆情、合伙人舆情等。
步骤204,获取指定的第一风险行为场景。
可根据建模需求,指定风险行为场景。每个风险行为场景对应唯一的风险行为。
步骤206,从因子树中提取与风险行为场景对应的建模因子。
从因子树的各个维度,选取与风险行为场景对应的建模因子,因此,本实施例中,每个风险行为场景对应的建模因子是来自多个维度的多维度建模因子。
步骤208,获取样本数据,样本数据中的正负样本比例为设定比例。
从客户群中确定样本客户,样本客户包括正样本客户和负样本客户,正样本客户数据与负样本客户数量比值为设定比例,设定比例可以是实际客户群的分布比例。确定样本客户后,获取样本客户对应的样本数据。
在选取样本客户前,先评估当前风险行为场景下,全量的客户群中有无风险客户群的实际分布,然后从全量样本中选取部分客户作为样本客户,其中样本客户的有无风险客户比例与实际分布相近或者接近。
步骤210,从样本数据中提取与建模因子对应的样本特征数据。
步骤206中从因子树中选取了多维度模型因子,此处,是从每个样本数据中提取多维度模型因子对应的特征数据。举例来说,确定的建模因子为X1、X2和X3,选取的样本数据包括正样本数据M和负样本数据N,建模时,分别正(M)负(N)样本提取建模因子X1,X2,X3对应的取值或者建模因子X1,X2,X3对应的特征描述。
步骤212,将提取的样本特征数据输入至预先选定的模型算法中进行有监督训练,得到第一风险行为场景对应的第一风险评分模型。
将每个样本特征数据输入至预先选定的模型算法中进行有监督训练,调整模型变量,直至模型预测的结果与样本特征数据自身的正负样本属性相匹配,得到风险评分模型。该风险评估模型是针对第一风险行为场景的模型,可对客户是否具有第一风险行为进行风险评分。
步骤214,构建第二风险行为场景对应的第二风险评分模型。
采用与第一风险评分模型同样的方法构建对应第二风险行为场景的第二风险评分模型。进一步的,还可以构建对应第三、第四风险行为场景的第三、第四风险评分模型,甚至更多的风险评分模型。
步骤216,将第一风险评分模型和第二风险评分模型串联连接或者并联连接。
串联或者并联连接所有的风险评分模型,得到最终的风险评估模型,使用该风险评估模型对客户画像进行评估,能够得到可疑风险客户的多种风险行为的风险评分。
本实施例中,基于多维度的建模因子进行模型构建,使得模型风险评估更加准确全面。针对每种风险行为场景选择相应的多维度建模因子,使得每种风险行为场景的风险行为评估更加准确。最终的风险评分模型所多个独立的风险评分模型串联或者并联生成的,因子,最终的风险评分模型不仅能够对多种风险评分进行风险评估,还能确保每种风险行为评估的准确性。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种客户信息分类装置,包括:
风险因子监控模块302,用于监控风险因子。
可疑风险客户确定模块304,用于当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户。
客户画像获取模块306,用于获取所述可疑风险客户的客户画像。
风险评分模块308,用于通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分。
风险评级模块310,用于根据最高的所述风险评分确定客户风险级别。
风险标签确定模块312,用于获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
在一个实施例中,所述客户画像获取模块306,还用于获取所述可疑风险客户的关联客户;获取所述可疑风险客户对应的第一客户画像;获取所述关联客户对应的第二客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果,包括:将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
在一个实施例中,客户信息分类装置还包括:风险评分模型构建模块,用于获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;获取指定的第一风险行为场景;从所述因子树中提取与所述第一风险行为场景对应的建模因子;获取样本数据,所述样本数据中的正负样本比例为设定比例;从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
在一个实施例中,风险评分模型构建模块,还用于构建第二风险行为场景对应的第二风险评分模型;将所述第一风险评分模型和所述第二风险评分模型串联连接或者并联连接。
在一个实施例中,客户信息分类方法,还包括黑名单生成模块,用于判断最高的所述风险评分是否大于第二设定阈值,若是,收集所述可疑风险客户的生物特征信息;将所述生物特征信息添加至黑名单。
关于客户信息分类装置的具体限定可以参见上文中对于客户信息分类方法的限定,在此不再赘述。上述客户信息分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储客户画像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种客户信息分类方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:监控风险因子;当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;获取所述可疑风险客户的客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;根据最高的所述风险评分确定客户风险级别;获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述可疑风险客户的关联客户;获取所述可疑风险客户对应的第一客户画像;获取所述关联客户对应的第二客户画像;将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;获取指定的第一风险行为场景;从所述因子树中提取与所述第一风险行为场景对应的建模因子;获取样本数据,所述样本数据中的正负样本比例为设定比例;从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:构建第二风险行为场景对应的第二风险评分模型;将所述第一风险评分模型和所述第二风险评分模型串联连接或者并联连接。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断最高的所述风险评分是否大于第二设定阈值,若是,收集所述可疑风险客户的生物特征信息;将所述生物特征信息添加至黑名单。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:监控风险因子;当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;获取所述可疑风险客户的客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;根据最高的所述风险评分确定客户风险级别;获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述可疑风险客户的关联客户;获取所述可疑风险客户对应的第一客户画像;获取所述关联客户对应的第二客户画像;将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;获取指定的第一风险行为场景;从所述因子树中提取与所述第一风险行为场景对应的建模因子;获取样本数据,所述样本数据中的正负样本比例为设定比例;从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:构建第二风险行为场景对应的第二风险评分模型;将所述第一风险评分模型和所述第二风险评分模型串联连接或者并联连接。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断最高的所述风险评分是否大于第二设定阈值,若是,收集所述可疑风险客户的生物特征信息;将所述生物特征信息添加至黑名单。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种客户信息分类方法,所述方法包括:
监控风险因子;
当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;
获取所述可疑风险客户的客户画像;
通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;
根据最高的所述风险评分确定客户风险级别;
获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
2.根据权利要求1所述的方法,其特征在于,所述获取所述可疑风险客户的客户画像,包括:
获取所述可疑风险客户的关联客户;
获取所述可疑风险客户对应的第一客户画像;
获取所述关联客户对应的第二客户画像;
通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果,包括:
将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
3.根据权利要求1或2所述的方法,其特征在于,在通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果之前,还包括:
获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;
获取指定的第一风险行为场景;
从所述因子树中提取与所述第一风险行为场景对应的建模因子;
获取样本数据,所述样本数据中的正负样本比例为设定比例;
从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;
将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
4.根据权利要求3所述的方法,其特征在于,在将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述风险行为场景对应的风险评分模型之后,还包括:
构建第二风险行为场景对应的第二风险评分模型;
将所述第一风险评分模型和所述第二风险评分模型串联连接或者并联连接。
5.根据权利要求1或2所述的方法,其特征在于,在获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签之后,还包括:
判断最高的所述风险评分是否大于第二设定阈值,若是,收集所述可疑风险客户的生物特征信息;
将所述生物特征信息添加至黑名单。
6.一种客户信息分类装置,其特征在于,所述装置包括:
风险因子监控模块,用于监控风险因子;
可疑风险客户确定模块,用于当所述风险因子满足预设激活条件时,根据所述风险因子确定可疑风险客户;
客户画像获取模块,用于获取所述可疑风险客户的客户画像;
风险评分模块,用于通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果;其中,所述风险评估结果包括对所述可疑风险客户的多种风险行为的风险评分;
风险评级模块,用于根据最高的所述风险评分确定客户风险级别;
风险标签确定模块,用于获取大于第一设定阈值的所述风险评分对应的目标所述风险行为,将所述目标风险行为设置为所述可疑风险用户的风险标签。
7.根据权利要求1所述的方法,其特征在于,所述客户画像获取模块,还用于获取所述可疑风险客户的关联客户;获取所述可疑风险客户对应的第一客户画像;获取所述关联客户对应的第二客户画像;通过风险评分模型对所述客户画像进行风险评估,得到风险评估结果,包括:将所述第一客户画像作为第一输入、所述第二客户画像作为第二输入,输入至风险评估模型中,得到风险评估结果。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:风险评分模型构建模块,用于获取因子树,所述因子树包括多个节点,每个所述节点关联一个建模因子;获取指定的第一风险行为场景;从所述因子树中提取与所述第一风险行为场景对应的建模因子;获取样本数据,所述样本数据中的正负样本比例为设定比例;从所述样本数据中提取样本特征数据,所述样本特征数据与所述第一风险行为场景对应的建模因子相对应;将所述样本特征数据输入至预先选定的模型算法中进行有监督训练,得到所述第一风险行为场景对应的第一风险评分模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544394.1A CN109949154B (zh) | 2018-12-17 | 客户信息分类方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811544394.1A CN109949154B (zh) | 2018-12-17 | 客户信息分类方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949154A true CN109949154A (zh) | 2019-06-28 |
CN109949154B CN109949154B (zh) | 2024-07-02 |
Family
ID=
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826852A (zh) * | 2019-09-27 | 2020-02-21 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
CN111695824A (zh) * | 2020-06-16 | 2020-09-22 | 深圳前海微众银行股份有限公司 | 风险尾端客户分析方法、装置、设备及计算机存储介质 |
CN112580917A (zh) * | 2019-09-30 | 2021-03-30 | 深圳无域科技技术有限公司 | 一种客户特征的评估方法及装置 |
CN112669137A (zh) * | 2020-12-21 | 2021-04-16 | 招商局金融科技有限公司 | 基于存量客户的风险分析方法、装置及计算机可读存储介质 |
CN112837061A (zh) * | 2021-02-26 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
CN113256121A (zh) * | 2021-05-26 | 2021-08-13 | 杭州云象网络技术有限公司 | 一种人工智能反洗钱方法与系统 |
CN115082079A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市华付信息技术有限公司 | 关联用户的识别方法、装置、计算机设备及存储介质 |
WO2023029758A1 (zh) * | 2021-09-01 | 2023-03-09 | 深圳云天励飞技术股份有限公司 | 一种企业经济犯罪侦查方法、系统及设备 |
CN112837061B (zh) * | 2021-02-26 | 2024-06-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
CN106446270A (zh) * | 2016-10-19 | 2017-02-22 | 广东欧珀移动通信有限公司 | 一种分类方法及装置 |
CN107085812A (zh) * | 2016-12-06 | 2017-08-22 | 雷盈企业管理(上海)有限公司 | 区块链数字资产的反洗钱系统及方法 |
CN107169857A (zh) * | 2017-07-14 | 2017-09-15 | 成都农村商业银行股份有限公司 | 反洗钱系统的客户风险评级方法 |
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN107993144A (zh) * | 2017-11-30 | 2018-05-04 | 平安科技(深圳)有限公司 | 客户风险等级确定方法、装置、设备及可读存储介质 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106157132A (zh) * | 2016-06-20 | 2016-11-23 | 中国工商银行股份有限公司 | 信用风险监控系统及方法 |
CN106446270A (zh) * | 2016-10-19 | 2017-02-22 | 广东欧珀移动通信有限公司 | 一种分类方法及装置 |
CN107085812A (zh) * | 2016-12-06 | 2017-08-22 | 雷盈企业管理(上海)有限公司 | 区块链数字资产的反洗钱系统及方法 |
CN107239882A (zh) * | 2017-05-10 | 2017-10-10 | 平安科技(深圳)有限公司 | 风险评估方法、装置、计算机设备及存储介质 |
CN107169857A (zh) * | 2017-07-14 | 2017-09-15 | 成都农村商业银行股份有限公司 | 反洗钱系统的客户风险评级方法 |
CN107993144A (zh) * | 2017-11-30 | 2018-05-04 | 平安科技(深圳)有限公司 | 客户风险等级确定方法、装置、设备及可读存储介质 |
CN108280762A (zh) * | 2018-01-19 | 2018-07-13 | 平安科技(深圳)有限公司 | 客户风险评级方法、服务器及计算机可读存储介质 |
CN108629687A (zh) * | 2018-02-13 | 2018-10-09 | 阿里巴巴集团控股有限公司 | 一种反洗钱方法、装置及设备 |
CN108985553A (zh) * | 2018-06-05 | 2018-12-11 | 中国平安人寿保险股份有限公司 | 一种异常用户的识别方法及设备 |
CN108876600A (zh) * | 2018-08-20 | 2018-11-23 | 平安科技(深圳)有限公司 | 预警信息推送方法、装置、计算机设备和介质 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826852A (zh) * | 2019-09-27 | 2020-02-21 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
CN110826852B (zh) * | 2019-09-27 | 2024-05-31 | 安徽四创电子股份有限公司 | 一种强制隔离戒毒人员风险评估方法及系统 |
CN112580917A (zh) * | 2019-09-30 | 2021-03-30 | 深圳无域科技技术有限公司 | 一种客户特征的评估方法及装置 |
CN112580917B (zh) * | 2019-09-30 | 2024-04-05 | 深圳无域科技技术有限公司 | 一种客户特征的评估方法及装置 |
CN111695824B (zh) * | 2020-06-16 | 2024-03-29 | 深圳前海微众银行股份有限公司 | 风险尾端客户分析方法、装置、设备及计算机存储介质 |
CN111695824A (zh) * | 2020-06-16 | 2020-09-22 | 深圳前海微众银行股份有限公司 | 风险尾端客户分析方法、装置、设备及计算机存储介质 |
CN112669137A (zh) * | 2020-12-21 | 2021-04-16 | 招商局金融科技有限公司 | 基于存量客户的风险分析方法、装置及计算机可读存储介质 |
CN112669137B (zh) * | 2020-12-21 | 2024-03-26 | 招商局金融科技有限公司 | 基于存量客户的风险分析方法、装置及计算机可读存储介质 |
CN112837061A (zh) * | 2021-02-26 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
CN112837061B (zh) * | 2021-02-26 | 2024-06-28 | 腾讯科技(深圳)有限公司 | 一种数据处理方法和相关装置 |
CN113256121A (zh) * | 2021-05-26 | 2021-08-13 | 杭州云象网络技术有限公司 | 一种人工智能反洗钱方法与系统 |
WO2023029758A1 (zh) * | 2021-09-01 | 2023-03-09 | 深圳云天励飞技术股份有限公司 | 一种企业经济犯罪侦查方法、系统及设备 |
CN115082079A (zh) * | 2022-08-22 | 2022-09-20 | 深圳市华付信息技术有限公司 | 关联用户的识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876600A (zh) | 预警信息推送方法、装置、计算机设备和介质 | |
CN111369342B (zh) | 基于机器学习的贷款审批方法、装置、设备和存储介质 | |
WO2019218699A1 (zh) | 欺诈交易判断方法、装置、计算机设备和存储介质 | |
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
CN109165840A (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN108876133A (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN110288459A (zh) | 贷款预测方法、装置、设备及存储介质 | |
CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
CN113379301A (zh) | 通过决策树模型对用户进行分类的方法、装置和设备 | |
CN110728301A (zh) | 一种个人用户的信用评分方法、装置、终端及存储介质 | |
CN109670933A (zh) | 识别用户角色的方法、用户设备、存储介质及装置 | |
CN114187112A (zh) | 账户风险模型的训练方法和风险用户群体的确定方法 | |
CN113888299A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN110276677A (zh) | 基于大数据平台的还款预测方法、装置、设备及存储介质 | |
CN110197426B (zh) | 一种信用评分模型的建立方法、装置及可读存储介质 | |
CN111709844A (zh) | 一种保险洗钱人员检测方法、装置和计算机可读存储介质 | |
CN109767226A (zh) | 基于大数据的可疑交易统计视图生成方法和装置 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN112907308B (zh) | 数据检测方法和装置、计算机可读存储介质 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN109949154A (zh) | 客户信息分类方法、装置、计算机设备和存储介质 | |
CN110570301B (zh) | 风险识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |