CN110827032A - 智能风控决策方法及系统、业务处理方法及系统 - Google Patents

Abstract

本说明书公开了智能风控决策方法及系统、业务处理方法及系统，调用识别策略对事件集进行风险识别，获得事件集的风险行为，并根据事件集的风险行为生成应对决策。在对事件集进行识别和决策后，可对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果，并支持根据事件集的分析结果调整识别策略和应对决策，以根据实际情况对策略(决策)进行灵活变更，能够快速响应风险情势，进而减少误判，提高风险识别的准确率。

Description

智能风控决策方法及系统、业务处理方法及系统

技术领域

本申请涉及风险控制技术领域，尤其涉及智能风控决策方法及系统、业务处理方法及系统。

背景技术

目前在互联网中，一般都依赖于业务系统综合处理各类业务，而随着互联网技术的不断发展，互联网对于安全性的要求越来越高，因此，系统中一般都存储有针对风险防控的风险策略逻辑，专门用于针对异常业务的风险防控。

但是，传统的防控策略逻辑在系统开发时就已经固化在系统中，不会因为外界条件的变化而变更，策略调整的灵活性极低，因此经常会出现误判的情况，进而降低风险识别的准确率，影响风险防控的效果。

发明内容

本说明书提供了智能风控决策方法及系统、业务处理方法及系统，以解决或者部分解决系统误判导致降低风险识别的准确率的技术问题。

为解决上述技术问题，本说明书提供了一种智能风控决策方法，所述方法应用于智能风控决策系统，所述方法包括：

调用识别策略对事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集由业务系统传输，并且所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，并且所述子策略根据该事件的业务场景确定；

根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；

对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；

根据所述事件集的分析结果调整所述识别策略和所述应对决策。

本说明书公开了一种业务处理方法，所述方法应用于业务处理系统，所述方法包括：

业务系统接收事件集，将所述事件集传输给如上述方法采用的智能风控决策系统；

所述智能风控决策系统调用识别策略对所述事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；对所述风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；根据所述事件集的分析结果调整所述识别策略和所述应对决策；

所述智能风控决策系统将所述每个事件的个性化应对决策反馈给所述业务系统；

所述业务系统根据所述每个事件的个性化应对决策生成所述每个事件的执行决策进行执行。

本说明书公开了一种智能风控决策系统，包括：

风险识别模块，用于调用识别策略对事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集由业务系统传输，并且所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；

风险决策模块，用于根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；

监控分析模块，用于对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；

策略调整模块，用于根据所述事件集的分析结果调整所述识别策略和所述应对决策。

本说明书公开了一种业务处理系统，包括：

业务系统，用于接收事件集，将所述事件集传输给上述的智能风控决策系统；

所述智能风控决策系统，用于调用识别策略对所述事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；对所述风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；根据所述事件集的分析结果调整所述识别策略和所述应对决策；

所述智能风控决策系统，用于将所述每个事件的个性化应对决策反馈给所述业务系统；

所述业务系统，用于根据所述每个事件的个性化应对决策生成所述每个事件的执行决策进行执行。

本说明书公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本说明书公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

通过本说明书的一个或者多个技术方案，本说明书具有以下有益效果或者优点：

本说明书的方法支持在运行过程中根据实际情况适应性调整策略逻辑。具体来说，调用识别策略对事件集进行风险识别，获得事件集的风险行为，并根据事件集的风险行为生成应对决策。在对事件集进行识别和决策后，可对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果，并支持根据事件集的分析结果调整识别策略和应对决策，以根据实际情况对策略(决策)进行灵活变更，能够快速响应风险情势，进而减少误判，提高风险识别的准确率。

上述说明仅是本说明书技术方案的概述，为了能够更清楚了解本说明书的技术手段，而可依照说明书的内容予以实施，并且为了让本说明书的上述和其它目的、特征和优点能够更明显易懂，以下特举本说明书的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本说明书一个实施例的处理系统的示意图；

图2示出了根据本说明书一个实施例的第三方业务平台、事件和业务场景的映射关系的示意图；

图3示出了根据本说明书一个实施例的智能风控决策的方法实施过程图；

图4示出了根据本说明书一个实施例的事件、业务场景、子策略的映射关系图；

图5示出了根据本说明书一个实施例的一种计算机设备的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本说明书中涉及的名词解析如下：

策略：是多个规则条件组合后形成的一个有业务意义的结论判断。其中“规则”是配置变量的取值，产生一个成功或者失败或者校验的结果；

事件：是描述用户具体业务行为的风控最基本单元，如登录、注册、转账等有业务意义的实时请求均可称之为“事件”。智能风控决策系统通过事件与外围系统(例如业务系统)交互。

模拟触发：是指通过实时“事件”请求，业务系统向风控系统咨询风险，风控系统触发相应策略并返回给业务系统决策结果的模拟行为。主要为能够正确上线策略提供自检排查，保证新配置策略符合预期及业务指标的稳定性。

本说明书公开了一种处理系统，该处理系统可广泛应用于各行各业，以处理各种类型的业务，比如金融业务、销售业务等等。

金融业务例如存取款业务、信贷业务、证券业务、保险业务等等。

销售业务例如汽车销售、电子销售、电气销售等等。

进一步的，本说明书还具有“业务场景”的概念。以金融业务为例，业务场景包括但不限于是：储蓄业务场景(储蓄卡业务)、信贷业务场景(信用卡业务)、保险业务场景(保险业务)等等。

参看图1，本实施例的处理系统包含两个部分：业务系统01、智能风控决策系统02。

业务系统01用于接收事件集，并将事件集传输给本说明书的智能风控决策系统02进行处理。在接收事件的过程中，可从各类数据端口接收事件，或者接收用户操作在业务系统01中生成事件。

其中，业务系统01配置有各类数据端口，用于和第三方业务平台实现数据对接。一个数据接口对接一类业务平台。第三方业务平台包括但不限于是手机业务平台、商城业务平台、PC业务平台等等。这些业务平台过来的各类业务请求在本说明书中统称为事件。事件包括但不限于是：登录、注册、交易(转账)、修改密码、贷款、报案(举报异常事件，例如举报异常交易)、申请等等。例如某某用户在XX时间在XX业务场景下发起了XX交易；再例如，某某用户在XX时间在XX业务场景下发起XX申请。

各事件有各自的业务场景，参看图2，是第三方业务平台、事件和业务场景的映射关系的示意图。

智能风控决策系统02，用于识别策略对事件集进行风险识别，获得事件集的风险行为；其中，事件集中的每个事件具有各自的业务场景；识别策略中包含对事件集中的每个事件进行处理的子策略，子策略根据该事件的业务场景确定；根据事件集的风险行为生成应对决策；应对决策中包含每个事件的个性化应对决策；对风险行为和应对决策进行监控分析，获得事件集的分析结果；根据事件集的分析结果调整识别策略和应对决策。

智能风控决策系统02，用于将每个事件的个性化应对决策反馈给业务系统01；

业务系统01，用于根据每个事件的个性化应对决策生成每个事件的执行决策进行执行。

下面介绍业务系统01的具体实施过程。其中，参看图1，业务系统01包括：

事件接收模块11，用于接收事件集。由于业务系统01无法对事件集进行处理，故需将事件集传输给智能风控决策系统02，由风控决策系统对事件集进行风险识别、生成应对决策等操作，指导业务系统01根据事件集的应对决策进行处理。而智能风控决策系统02的具体实施过程会在下述实施例中详细介绍，故在此不再进行赘述。

事件填充模块12，用于从智能风控决策系统02中获取事件集的应对决策；其中，应对决策中包含每个事件的个性化应对决策。并根据每个事件的个性化应对决策生成每个事件的执行决策。

事件分发模块13，用于将事件集的应对决策分发到决策返回模块。

决策返回模块14，用于根据每个事件的个性化应对决策配置各自的执行决策进行执行。各事件配置执行决策的过程和其他事件无关。举例来说，某事件的个性化应对决策为拒绝决策。则会根据该个性化决策配置比如修改密码失败，您的操作环境有风险等执行决策进行执行。

以上是业务系统01和智能风控决策系统02在整体上的交互过程。通过业务系统01在前端为事件集提供操作响应，通过智能风控决策系统02在后端对事件集进行风险识别并生成应对决策，以及根据分析结果对识别策略和应对决策进行调整，来保证风险防控的效果。

基于相同的发明构思，本说明书的另一个实施例提供了一种智能风控决策方法，该方法应用于智能风控决策系统02。

通常来说，事件传输过来后，调用相应的子策略进行配置后，会生成个性化应对决策：通过、拒绝、待定等等决策。

传统的防控策略逻辑在系统开发时就已经固化在智能风控决策系统02中，不会因为外界条件的变化而变更，策略调整的灵活性极低。比如贷款时需要金额超过某阈值才通过，这是很固定的，灵活性极低。如果获知上述策略逻辑就很容易规避，比如提高流水金额超过该阈值，就可以成功申贷。即便是发现这个漏洞，如果要更改，需要代码人员修改更换代码并且发布了该系统的升级版本后才能生效，风险防控能力极低。而本说明书中的智能风控决策系统02支持在运行过程中根据实际情况适应性调整策略逻辑。具体来说，调用识别策略对事件集进行风险识别，获得事件集的风险行为，并根据事件集的风险行为生成应对决策。在对事件集进行识别和决策后，可对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果，并支持根据事件集的分析结果调整识别策略和应对决策，以根据实际情况对策略(决策)进行灵活变更，能够快速响应风险情势，进而减少误判，提高风险识别的准确率。

进一步的，本说明书的方法能够对事件集进行批量处理，并且针对每个事件会生成其个性化应对决策，能够使“批量”和“个性化服务”成为本系统的一大优势。例如，用户A和用户B同时申请相同额度的贷款，而对两者进行风险识别时，会调用两者的缴税记录，若用户B缴税不连续或者缴税额度低，则给用户B贷款的利率更高，额度更低。若用户A的缴税连续并且额度高，则给用户A的贷款利率更低且额度更高，故而针对两个用户申请相同额度的贷款事件，生成的应对决策不同。

参看图3，该方法是智能风控决策系统02在运行过程中执行的步骤，具体包括如下步骤：

步骤11，调用识别策略对事件集进行风险识别，获得事件集的风险行为。

其中，事件集由业务系统01传输，并且事件集中的每个事件具有各自的业务场景。

识别策略中包含对事件集中的每个事件进行处理的子策略，子策略根据该事件的业务场景确定。

参看图4，是事件、业务场景、子策略的映射关系图。其中，各业务场景下具有各自的子策略(和应对决策)。

而在调用识别策略对事件集进行风险识别的过程中，针对事件集中的每个事件，根据每个事件各自的业务场景，确定出每个事件的子策略。进而调用每个事件的子策略对该事件进行风险识别，获得该事件的风险行为。此处所指“该事件”实际指的是事件本身。例如，针对事件1，确定出事件1的子策略，进而调用事件1的子策略对该事件1本身进行风险识别。

步骤12，根据事件集的风险行为生成应对决策。

其中，应对决策中包含每个事件的个性化应对决策。各事件的个性化应对决策可相同或不同。

在具体的实施过程中，在调用每个事件的子策略对该事件进行风险识别，获得该事件的风险行为后，会针对该事件的风险行为生成该事件的个性化应对决策。

而个性化应对决策包括：通过、拒绝、待定等等决策。若某个事件为待定决策，则表示需要对该事件进一步进行验证。验证方式包括但不限于是人脸、指纹、短信、语音等等方式进行验证。

以上是对事件集进行风险识别和生成应对决策的实施过程。针对事件集中的每个事件，都需要执行上述过程。

具体来说，在调用子策略对各事件进行风险识别后，得到的风险行为可能为无风险或有风险。如果事件的风险行为是无风险，则生成通过决策，传输给业务系统01，以便对该事件快速放行。如果事件的风险行为是有风险，则生成拒绝决策或者待定决策传输给业务系统01。

另外，会将事件集的相关数据(事件本身数据、风险行为、决策等等)沉淀下来保存，以便后续分析。

由此可见，本说明书的方法借助于系统，通过风险识别和应对决策等步骤，能够对事件集进行批量处理，并生成各事件的个性化应对决策。无需人工审核，审核时间跨度以分、秒来计算，为用户带来更好的服务体验。

当然，后续会针对这一系列操作进行分析，具体请看下面的步骤。

步骤13，对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果。

监控分析主要是为了实时监控智能风控决策系统02的运行环境。在对获得事件集进行分析、决策等操作后，需要监控该事件集引起的通过率、拒绝率、校验率、事件来源等等，作为后续分析的基础数据。

例如，分析结果为某地区的申请量上升、渠道增多(例如事件来源为支付宝，事件来源为微信、某个渠道量特别多等等)。这些都是对开展业务很有帮助，能够作为后续开展业务的基础数据。另外，还可以根据分析结果调整后续的识别策略，例如，假设识别策略中没有对微信渠道加以风险识别的子策略，则可以在识别策略中加入微信渠道识别的子策略。

步骤14，根据事件集的分析结果调整识别策略和应对决策。

在具体的调整过程中，在监控到事件集中有预设个事件的个性化应对决策为通过决策，则无需调整。

若监控到事件集中有预设个事件的个性化应对决策为拒绝决策和/或待定决策，故而在调整的过程中，会根据分析结果生成预设个事件的优化子策略和预设个事件的优化决策。利用预设个事件的优化子策略对预设个事件的原识别策略进行优化，并利用预设个事件的优化决策对预设个事件的原应对决策进行优化。

以上是本实施例的智能决策方法的主要实施原理。另外，本说明书还公开了数据中心，也称为统一的风险变量池。本实施例将内部各系统数据(在线+离线)进行有效融合，形成数据中心。数据中心融合了多维度、多特征的数据，为智能风控决策引擎提供数据支持，以对事件进行更为精准化的评估，比如融合传统的金融业务场景中申请、审批、贷后等一系列环节建立在不同的业务系统01中的数据。

以银行系统为例，传统银行也尝试考虑简单的决策引擎，尝试将相关流程线上化，进行线上实时审批或者实时决策，但受限于风控决策引擎的局限性，往往仅支持简单的名单类过滤。而对于风控中非常重要的实时累积变量(如“设备上过去7天登陆的用户数“等累积类变量)、第三方数据(人行征信)融入、离线数据如何在线引用等关键问题都很难通过可配置方式引用甚至都不支持，传统银行风控所使用的数据非常有限，难以将不同部门、不同场景、不同种类的数据源统一管理并应用起来。为了解决这一问题，本说明书将在线数据域与离线数据统一起来，建立数据中心。数据中心将不同性质的数据有机融合在一块，支持不同来源的数据的灵活扩展，对不同场景的业务共享风险数据，一方面降低数据使用成本，另一方面最大化数据价值。

进一步的，为了支持在线数据域、离线数据域的融合，本说明书采用了数据服务的方式进行引用，将离线数据域中的数据融入到在线数据域中。另外，数据服务还可以接入第三方数据融入到在线数据域中，以实现离线数据域和第三方数据的引用。

具体来说，数据中心包含在线数据域和离线数据域。在线数据域为智能风控决策引擎提供在线数据支持。离线数据域为智能风控决策引擎提供历史数据支持。

具体的，在线数据域，包括以下几个方面的数据：

在线累积数据，记录事件集的所有相关数据，包括：事件名，当前系统登录用户数，事件所属设备的设备字段，事件的操作时间等等。

在线名单数据，记录当前所有事件的名单。

维表数据，包括手机解析维表、IP地址解析维表、身份证解析维表，供风险识别模块调用。其中，IP地址解析维表为第三方数据，通过数据服务接入到维表数据中。

事件数据：记录当前所有事件。

离线数据域，包括以下几个方面的数据：

历史事件表，记录历史事件的所有相关数据。例如，某子策略为“调用某账户过去60天的转账金额进行判定”，则从历史时间表中清洗出该账户过去59天的转账金额，加上当天在线的转账金额即可获得总共为60天的转账金额。

名单表，包括黑名单和白名单；其中，黑名单中记录历史事件中异常事件的相关数据，异常事件指的是应对决策为拒绝、待定等决策的事件。例如，异常手机号、异常银行卡号、异常WIFI等等存入黑名单。若有事件所属手机号、银行卡号、所用WIFI等匹配到黑名单，则直接生成“拒绝”的应对决策。白名单中记录历史事件中正常事件的相关数据，正常事件指的是应对决策为通过决策的事件。

决策表，记录有历史事件的应对决策；其中，历史事件的应对决策包括：通过、拒绝、待定等等。

案件表，记录历史举报事件；

可信表，记录历史事件中正常事件的相关数据配对关系。可信表类似白名单，例如，用户过去三个月在某个设备上登录过，就把登录账号和设备进行绑定配对，如果用户异地登录，就会认为异常。

以上是在线数据域和离线数据域中的相关数据。

由于离线数据域中存储的是历史数据，故需要和在线数据域中的在线数据进行相互融合。此时，智能风控决策系统02中还包括数据服务模块，用于将离线数据域和在线数据域进行融合，以供风险识别模块调用。

除此之外，数据服务模块还用于接入第三方数据到在线数据域中，供风险识别模块调用。

数据中心是本说明书中的数据基础，将各系统数据(在线+离线)进行有效融合，提供多维度、多特征的数据，为智能风控决策系统02提供丰富的枪支弹药。

下面具体介绍各步骤的实施过程。

在进行风险识别的过程中，首先会涉及到子策略的配置。

通常来说，针对每个事件，都需要先配置该事件的子策略，然后在根据子策略对该事件进行风险识别。

假设业务系统01传输一笔交易(交易事件)到智能风控决策系统02中，智能风控决策系统02中针对该交易事件有一系列子策略对其进行识别，以获得该交易的风险。举例来说，30天内金额超过30万就为风险交易。假设交易事件为查看账户30天内交易金额，该交易事件传输到智能风控决策系统02后，调用上述子策略对其进行识别，比如超过30万，直接生成拒绝的个性化应对策略。

而子策略的配置需要使用累积变量。累积变量是指通过策略计算中的“流计算”生成的特征变量，主要通过累积管理与变量生成两个步骤生成累积特征。一个完整的累积变量包含累积主体、累积内容、累积函数以及累积窗口四个部分，例如“账户30天内交易金额”这个累积变量，主体是账户，累积内容是金额，累积函数是SUM，累积窗口是30天。

在配置每个事件的子策略的过程中，也需要接入在线数据域、离线数据域、第三方数据库等一种多种数据来源，来配置子策略。

具体来说，包括以下一种或者几种方式组合：

第一种方式：根据每个事件各自的业务场景，从在线数据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。

第二种方式：根据每个事件各自的业务场景，从在离线据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。

第三种方式：根据每个事件各自的业务场景，从在第三方数据中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。例如个税策略，只有在某地税局交税才能发放贷款，此时需要从地税局请求发送税务数据。配置的策略为：用户过去是否连续12个月交税，交税是否连续性，达到的比例额度等等。因此，从第三方数据中也可以配置策略的维度进行风险防控。

以上三种方式可以任意组合或单独使用。

而在利用子策略对事件进行风险识别的过程中，会涉及到模型调用，即：根据每个事件的子策略，确定每个事件的子模型，并调用每个事件的对其本身事件(该事件)进行风险识别，获得每个事件的风险行为。

作为一种可选的实施例，子策略包含N层识别子策略，每层识别子策略具有先后调用关系；N≥1且为正整数。故，调用每个事件的子策略中的N层识别子策略依次对该事件进行风险识别，获得该事件的风险行为。

针对单个事件来说，由于其子策略包含N层识别子策略，每层识别子策略具有先后调用关系。故每层子策略都会对该事件进行风险识别，并生成一风险行为。该风险行为是“有风险”、“无风险”等等行为。例如，当识别为“通过”、“匹配”、“满足”等等结果，表示无风险。若识别为“拒绝”、“不匹配”、“不满足”等等结果，表示有风险行为。而针对每层子策略的风险行为会生成相应的个性化应对决策。具体的，若当层子策略为的风险行为表示无风险，则生成一个“通过”的个性化应对决策，并转化到下一层子策略进行识别。若当层子策略为的风险行为表示有风险，则生成一个“拒绝”的个性化应对决策，并停止后续子策略的识别操作。若为最后一层子策略，则根据“有风险”、“无风险”等等行为生成相应的个性化应对决策。

举例来说，有关某用户人脸识别的识别策略，包含“人脸和身份证照片是否匹配”，“信贷申请失败的次数是否达到阈值”两层识别子策略。在对人脸进行识别时，先调用第1层识别子策略“人脸和身份证照片是否匹配”进行识别。若不匹配，则生成“拒绝”的个性化应对决策。若匹配，则获取该用户信贷申请失败的次数，调用第二层识别子策略“信贷申请失败的次数是否达到阈值”进行判断。若判断达到阈值，则生成“拒绝”的个性化应对决策。若判断未达到阈值，则生成“通过”的个性化应对决策。

作为一种可选的实施例，在根据所述事件集的风险行为生成应对决策之后，若所述事件集中有事件的个性化应对决策为待定决策，分析该事件的历史应对决策；根据该事件的历史应对决策和该事件待定决策生成该事件的验证方式，该事件的验证方式和该事件的历史决策中的验证方式不同。

举例来说，登录事件的历史应对决策为“短信验证”，也就是说已经对其进行了短信验证。若对登录事件的账号、密码进行识别，则会结合历史应对决策“短信验证”。如此，避免生成相同的验证方式进行重复执行引起用户的反感情绪且避免浪费决策资源。假设生成的个性化应对决策为“待定”决策，就不能再次使用“短信验证”方式。

而在监控的具体实施过程中，监控的目的是为了实时监控智能风控决策系统02的运行环境。在对获得事件集进行分析、决策等操作后，需要监控该事件集引起的通过率、拒绝率、校验率、事件来源等等，作为后续分析的基础数据。其实时监控智能风控决策系统02的运行环境的目的是为了监控各子策略的风险后，对子策略和个性化决策进行补漏，否则不知道哪条子策略风险高影响了系统。

监控能够获知子策略的风险命中率，分析能够获知子策略的风险命中率的具体原因，例如是子策略配错了导致的命中率高，还是这段时间确实有这样的风险。如果是子策略配错了，则通过监控分析得知分析结果后，根据分析结果能够修改子策略。这些都是在运行过程中操作，无需返回技术开发重新研发版本。

具体来说，由于决策为拒绝、通过或待定等等个性化决策。在监控到事件集中有预设个事件的个性化应对决策为通过决策，则分析该预设个事件的风险进行规律分析，获得预设个事件的分析结果，然后根据预设个事件的分析结果，调整预设个事件中每个事件的子策略和个性化应对决策。

若监控到事件集中有预设个事件的个性化应对决策为拒绝决策和/或待定决策，表示这预设个事件为异常事件，故必须分析出其具体的风险行为，并要反补到之前的子策略和个性化应对决策中，提高系统的防控能力和防控准确率。这样做的原因是，在对拒绝事件或者对事件进行待定处理后，都需要进行分析，以便查漏补缺，避免识别策略的漏洞造成后续严重影响。例如，发现某地区申请贷款数目超载，如果不更新识别策略控制贷款数目，若后续贷款人员还不上贷款，则会造成亏空。

故，对预设个事件的风险行为进行分析，获得预设个事件的分析结果。该分析结果为引起预设个事件的风险行为的具体原因。

进一步的，在调整时，会根据预设个事件的分析结果，调整预设个事件中每个事件的子策略和个性化应对决策，配置后即可生效。

具体来说，若预设个事件的个性化应对决策为拒绝决策和/或待定决策，相应的事件会进行沉淀，以便于对预设个事件的风险行为进行分析，避免到海量数据中捞异常事件。而将分析结果反补到防控上，用以调整预设个事件中每个事件的子策略和个性化应对决策，形成一个闭环，能够根据分析结果灵活调整前述策略和决策，用以快速弥补前述策略和决策的不足，以提高防控的准确率。

举例来说，若对50个事件分析时，发现生成拒绝决策的步骤在人脸识别那层子策略，分析出来的原因可能是：恶意攻击，或者操作人群年龄比较大不懂操作。在识别决策后进行分析，反过来做优化，针对性对策略进行调整。例如分析发现某个时间段某个地区的人脸识别最多，则在原有策子策略的基础上将“高危时间”和“地区”的策略加上。后续如果是这个时间并且申请人都来自某个地区，那就直接拒绝掉，将分析结果反补到之前的风险防控上，形成一个闭环，以提高防控的准确率。

作为一种可选的实施例，本说明书支持新业务场景的灵活扩展。

在具体的实施过程中，构建新业务场景。根据所述新业务场景的配置需求从当前所有业务场景中确定目标业务场景。目标业务场景是为新业务场景提供识别策略、应对决策进行配置的场景。目标业务场景中具有目标识别策略和目标应对决策，用以对新业务场景进行配置。调用目标识别策略和目标应对决策对新业务场景进行配置。例如，信用卡中心中的目标识别策略和目标应对决策交易中心想借用，又必须保证不能够影响信用卡中心的使用，故可以构建新业务场景，借用信用卡中心中的目标识别策略和目标应对决策对其进行配置。在使用时，由于事件已经具有场景划分，故即便是两个场景的识别策略相同，也可能产生不同的风险行为，并且各场景的识别策略互不影响。

通过上述描述，本说明书中的智能风控决策方法支持修改策略逻辑，具备实时风险感知监控、实时配置实时生效、场景可灵活扩展等巨大优势。其一方面具备更高的自由度，能够灵活更改识别策略和决策(而非传统的方式，运营同学提供策略逻辑，让开发同学将该逻辑写死在后台，不管是后续修改还是管理都极其不方便)。另一方面，在提高审核速度和防控准确率的同时，由于识别策略和决策可实时更改，也降低了系统被攻陷的概率(传统写死策略逻辑的方式，很容易被黑、灰产多次尝试后绕行并突破)。此外，本说明书中的方法能够实现在所有场景下配置的所有策略的监控(量级、拒绝率等)，以全面监控风险情势，并能根据异动情况灵活响应并快速优化策略。

作为一种可选的实施例，本说明书还支持策略配置和自检。目前很多传统风控，往往是识别策略直接上线(无法支持策略自检)，在发现异常后，再进行事后补救，如此极大概率会导致运营悲剧(如打扰率激增或者拒绝率暴增等)。

而为了使操作风险等得到有效控制，在上线新识别策略时，需要模拟触发事件和自动比对的策略自检功能，保证新识别策略上线的过程中结果符合预期，让灵活的系统运营起来更加稳健，通过模拟行为做到事前规避操作风险，而非上线后发现异常而进行事后补救，能够避免因操作风险导致的运营悲剧(例如打扰率激增或者拒绝率暴增等)。

具体来说，生成新识别策略，其中，新识别策略具有预期数据。预期数据用作新识别策略的检验标准。

配置模拟事件对新识别策略进行检测，根据检测得到的检测报告对新识别策略执行相应操作。

在具体的实施过程中，配置模拟事件；执行模拟事件，调用新识别策略对模拟事件进行处理，获得结果数据；判断结果数据是否满足预期数据，生成检测报告；若检测报告表示结果数据满足预期数据，则将新识别策略配置到对应业务场景中。

举个例子，假设我们需要上线一条策略A为“转账用户的注册时长小于30天且转账金额大于5000”，且命中时出校验(比如出短信)。那么，具体地：

1,事件配置：注册事件配置、转账事件配置；变量配置：变量var1“注册时间距当前时间的天数”和变量var2“转账金额”的配置；策略配置：策略A配置(试运行但未上线)。

2,模拟触发：为了验证策略A是否符合预期，我们需要设计并构造数据(如表1)模拟正常用户的行为，对策略A进行触发，并沉淀相应的结果数据。

3,自动比对：基于上述第2步，我们将策略A和所有变量(var1与var2)的预期结果和结果数据进行自动比对(如表2)，并产出相应的检测报告。

4,策略上线：基于上述第3步，当检测报告内容符合预期的前提下，按照流程“试运行->灰度(调整)->正式运行”进行策略上线；否则，排查异常并定位后回到第1步或者第2步。

表1:策略自检－数据构造&模拟触发

其中，事件发生时间：Systime表示发送触发事件时，系统当前的时间撮。同理Systime-15d表示15天前的时间撮；比如：Systime所取的系统时间撮为‘2018-12-31 10:24:20’，那么Systime-15d对应的时间撮是‘2018-12-16 10:24:20’。

表2:策略自检－自动比对

以上，基于“模拟触发”和“自动比对”的策略自检模块，让灵活的系统运营起来更加稳健。通过模拟行为做到事前规避操作风险，而非上线后发现异常而进行事后补救。

作为一种可选的实施例，若事件集中具有举报事件，对举报事件及其个性化应对决策进行审理，获得审理结果；对审理结果进行监控分析，获得举报事件的分析结果。进一步的，会根据举报事件的分析结果调整举报事件对应的子策略和个性化应对决策。

以上是智能风控决策方法的具体实施过程，基于与前述实施例中同样的发明构思，本说明书实施例还提供一种业务处理方法，该方法应用于业务处理系统，该方法的实施过程如下：

业务系统01接收事件集，将事件集传输给上述一个或者多个实施例公开的智能风控决策系统02；

智能风控决策系统02调用识别策略对事件集进行风险识别，获得事件集的风险行为；其中，事件集中的每个事件具有各自的业务场景；识别策略中包含对事件集中的每个事件进行处理的子策略，子策略根据该事件的业务场景确定；根据事件集的风险行为生成应对决策；应对决策中包含每个事件的个性化应对决策；对风险行为和应对决策进行监控分析，获得事件集的分析结果；根据事件集的分析结果调整识别策略和应对决策。

具体的处理方式在上述一个或者多个实施例中已经介绍，故而此处不再赘述。

智能风控决策系统02将每个事件的个性化应对决策反馈给业务系统01；

业务系统01根据每个事件的个性化应对决策生成每个事件的执行决策进行执行。

业务系统01的具体执行过程在上述一个或者多个实施例中已经介绍，故而此处不再赘述。

基于与前述实施例中同样的发明构思，参看图1，本说明书实施例还提供一种智能风控决策系统02，该系统的具体实施过程在上述方法实施例中一致，故对具体示例和解释不再赘述，包括：

风险识别模块21，用于调用识别策略对事件集进行风险识别，获得事件集的风险行为。

其中，事件集由业务系统01传输，并且事件集中的每个事件具有各自的业务场景；识别策略中包含对事件集中的每个事件进行处理的子策略，子策略根据该事件的业务场景确定。

风险决策模块22，用于根据事件集的风险行为生成应对决策。

应对决策中包含每个事件的个性化应对决策；

监控分析模块23，用于对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果；

策略调整模块24，用于根据事件集的分析结果调整识别策略和应对决策。

作为一种可选的实施例，风险识别模块21，具体用于：

针对事件集中的每个事件，根据每个事件各自的业务场景，确定出每个事件的子策略；

调用每个事件的子策略对该事件进行风险识别，获得该事件的风险行为。

作为一种可选的实施例，风险识别模块21，具体用于处理以下一个或者多个步骤的组合：

根据每个事件各自的业务场景，从在线数据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据每个事件各自的业务场景，从在离线据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据每个事件各自的业务场景，从在第三方数据中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。

另外，本说明书还公开了数据中心，也称为统一的风险变量池。而数据中心在上述实施例已经详细介绍，故而此处本说明书不再赘述。

进一步的，为了支持在线数据域、离线数据域的融合，本系统还包括:数据服务模块，用于将离线数据域中的数据融入到在线数据域中，或者将第三方数据融入到在线数据域中，以实现离线数据域和第三方数据的引用。

作为一种可选的实施例，风险决策模块22，具体还用于：

若所述事件集中有事件的个性化应对决策为待定决策，分析该事件的历史应对决策；

根据该事件的历史应对决策和该事件待定决策生成该事件的验证方式，该事件的验证方式和该事件的历史决策中的验证方式不同。

作为一种可选的实施例，监控分析模块23，具体用于若监控到事件集中有预设个事件的个性化应对决策为拒绝决策和/或待定决策，对预设个事件的风险行为进行分析，获得预设个事件的分析结果；

策略调整模块24，具体用于根据预设个事件的分析结果，调整预设个事件中每个事件的子策略和个性化应对决策。

作为一种可选的实施例，系统还包括场景配置模块，用于：

构建新业务场景；

根据所述新业务场景的配置需求从当前所有业务场景中确定目标业务场景，目标业务场景中具有目标识别策略和目标应对决策；

调用目标识别策略和目标应对决策对新业务场景进行配置。

作为一种可选的实施例，系统还包括：

策略生成模块，用于生成新识别策略，其中，新识别策略具有预期数据；

策略检测模块，用于配置模拟事件对新识别策略进行检测，根据检测得到的检测报告对新识别策略执行相应操作。

作为一种可选的实施例，策略检测模块，包括：

事件配置模块，用于配置模拟事件；

模拟触发模块，用于执行模拟事件，调用新识别策略对模拟事件进行处理，获得结果数据；

对比模块，用于判断结果数据是否满足预期数据，生成检测报告；

策略上线模块，用于若检测报告表示结果数据满足预期数据，则将新识别策略配置到对应业务场景中。

作为一种可选的实施例，系统还包括：

审理模块，用于若事件集中具有举报事件，对举报事件及其个性化应对决策进行审理，获得审理结果；

监控分析模块23，用于对审理结果进行监控分析，获得举报事件的分析结果。

基于与前述实施例中同样的发明构思，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一方法的步骤。

基于与前述实施例中同样的发明构思，本说明书的实施例还提供一种计算机设备，如图5所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，处理器502执行程序时实现前文任一方法的步骤。

其中，在图5中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器505之间提供接口。接收器501和发送器505可以是同一个元件，即收发机，提供用于在传输介质上与各种其他终端设备通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

通过本说明书的一个或者多个实施例，本说明书具有以下有益效果或者优点：

本说明书公开了智能风控决策方法及系统、业务处理方法及系统，调用识别策略对事件集进行风险识别，获得事件集的风险行为，并根据事件集的风险行为生成应对决策。在对事件集进行识别和决策后，可对事件集的风险行为和应对决策进行监控分析，获得事件集的分析结果，并支持根据事件集的分析结果调整识别策略和应对决策，以根据实际情况对策略(决策)进行灵活变更，能够快速响应风险情势，进而减少误判，提高风险识别的准确率。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本说明书也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本说明书的内容，并且上面对特定语言所做的描述是为了披露本说明书的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本说明书的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本说明书的示例性实施例的描述中，本说明书的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本说明书要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本说明书的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本说明书的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本说明书的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本说明书实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本说明书还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本说明书的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本说明书进行说明而不是对本说明书进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本说明书可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (22)

1.一种智能风控决策方法，所述方法应用于智能风控决策系统，所述方法包括：

调用识别策略对事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集由业务系统传输，并且所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，并且所述子策略根据该事件的业务场景确定；

根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；

对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；

根据所述事件集的分析结果调整所述识别策略和所述应对决策。

2.如权利要求1所述的方法，所述调用识别策略对事件集进行风险识别，获得所述事件集的风险行为，包括：

针对所述事件集中的每个事件，根据所述每个事件各自的业务场景，确定出所述每个事件的子策略；

调用所述每个事件的子策略对该事件进行风险识别，获得该事件的风险行为。

3.如权利要求2所述的方法，所述根据所述每个事件各自的业务场景，确定出所述每个事件的子策略，包括以下一种或者几种方式组合：

根据所述每个事件各自的业务场景，从在线数据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据所述每个事件各自的业务场景，从在离线据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据所述每个事件各自的业务场景，从在第三方数据中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。

4.如权利要求1所述的方法，所述根据所述事件集的风险行为生成应对决策之后，所述方法还包括：

若所述事件集中有事件的个性化应对决策为待定决策，分析该事件的历史应对决策；

根据该事件的历史应对决策和该事件待定决策生成该事件的验证方式，该事件的验证方式和该事件的历史决策中的验证方式不同。

5.如权利要求1所述的方法，

所述对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果，具体包括：

若监控到所述事件集中有预设个事件的个性化应对决策为拒绝决策和/或待定决策，对所述预设个事件的风险行为进行分析，获得所述预设个事件的分析结果；

所述根据所述事件集的分析结果调整所述识别策略和所述应对决策，具体包括：

根据所述预设个事件的分析结果，调整所述预设个事件中每个事件的子策略和个性化应对决策。

6.如权利要求1所述的方法，所述根据所述事件集的分析结果调整所述识别策略和所述应对决策之后，所述方法还包括：

构建新业务场景；

根据所述新业务场景的配置需求从当前所有业务场景中确定目标业务场景，所述目标业务场景中具有目标识别策略和目标应对决策；

调用所述目标识别策略和所述目标应对决策对所述新业务场景进行配置。

7.如权利要求1所述的方法，所述根据所述事件集的分析结果调整所述识别策略和所述应对决策之后，所述方法还包括：

生成新识别策略，其中，所述新识别策略具有预期数据；

配置模拟事件对所述新识别策略进行检测，根据检测得到的检测报告对所述新识别策略执行相应操作。

8.如权利要求7所述的方法，所述配置模拟事件对所述新识别策略进行检测，根据检测得到的检测报告对所述新识别策略执行相应操作，包括：

配置所述模拟事件；

执行所述模拟事件，调用所述新识别策略对所述模拟事件进行处理，获得结果数据；

判断所述结果数据是否满足所述预期数据，生成所述检测报告；

若所述检测报告表示所述结果数据满足所述预期数据，则将所述新识别策略配置到对应业务场景中。

9.如权利要求1所述的方法，所述对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果之前，所述方法还包括：

若所述事件集中具有举报事件，对所述举报事件及其个性化应对决策进行审理，获得审理结果；

对所述审理结果进行监控分析，获得所述举报事件的分析结果。

10.一种业务处理方法，所述方法应用于业务处理系统，所述方法包括：

业务系统接收事件集，将所述事件集传输给如权利要求1-9任一权项所述的方法采用的智能风控决策系统；

所述智能风控决策系统调用识别策略对所述事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；对所述风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；根据所述事件集的分析结果调整所述识别策略和所述应对决策；

所述智能风控决策系统将所述每个事件的个性化应对决策反馈给所述业务系统；

所述业务系统根据所述每个事件的个性化应对决策生成所述每个事件的执行决策进行执行。

11.一种智能风控决策系统，包括：

风险识别模块，用于调用识别策略对事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集由业务系统传输，并且所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；

风险决策模块，用于根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；

监控分析模块，用于对所述事件集的风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；

策略调整模块，用于根据所述事件集的分析结果调整所述识别策略和所述应对决策。

12.如权利要求11所述的系统，风险识别模块，具体用于：

针对所述事件集中的每个事件，根据所述每个事件各自的业务场景，确定出所述每个事件的子策略；

调用所述每个事件的子策略对该事件进行风险识别，获得该事件的风险行为。

13.如权利要求12所述的系统，所述风险识别模块，具体用于处理以下一个或者多个步骤的组合：

根据所述每个事件各自的业务场景，从在线数据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据所述每个事件各自的业务场景，从在离线据域中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略；

根据所述每个事件各自的业务场景，从在第三方数据中确定出该事件的配置变量取值；根据该事件的配置变量取值，配置该事件的子策略。

14.如权利要求11所述的系统，所述风险决策模块，具体还用于：

若所述事件集中有事件的个性化应对决策为待定决策，分析该事件的历史应对决策；

根据该事件的历史应对决策和该事件待定决策生成该事件的验证方式，该事件的验证方式和该事件的历史决策中的验证方式不同。

15.如权利要求11所述的系统，所述监控分析模块，具体用于若监控到所述事件集中有预设个事件的个性化应对决策为拒绝决策和/或待定决策，对所述预设个事件的风险行为进行分析，获得所述预设个事件的分析结果；

所述策略调整模块，具体用于根据所述预设个事件的分析结果，调整所述预设个事件中每个事件的子策略和个性化应对决策。

16.如权利要求11所述的系统，所述系统还包括场景配置模块，用于：

构建新业务场景；

根据所述新业务场景的配置需求从当前所有业务场景中确定目标业务场景，所述目标业务场景中具有目标识别策略和目标应对决策；

调用所述目标识别策略和所述目标应对决策对所述新业务场景进行配置。

17.如权利要求11所述的系统，所述系统还包括：

策略生成模块，用于生成新识别策略，其中，所述新识别策略具有预期数据；

策略检测模块，用于配置模拟事件对所述新识别策略进行检测，根据检测得到的检测报告对所述新识别策略执行相应操作。

18.如权利要求17所述的系统，所述策略检测模块，包括：

事件配置模块，用于配置所述模拟事件；

模拟触发模块，用于执行所述模拟事件，调用所述新识别策略对所述模拟事件进行处理，获得结果数据；

对比模块，用于判断所述结果数据是否满足所述预期数据，生成所述检测报告；

策略上线模块，用于若所述检测报告表示所述结果数据满足所述预期数据，则将所述新识别策略配置到对应业务场景中。

19.如权利要求11所述的系统，所述系统还包括：

审理模块，用于若所述事件集中具有举报事件，对所述举报事件及其个性化应对决策进行审理，获得审理结果；

所述监控分析模块，用于对所述审理结果进行监控分析，获得所述举报事件的分析结果。

20.一种业务处理系统，包括：

业务系统，用于接收事件集，将所述事件集传输给如权利要求11-19任一权项所述的智能风控决策系统；

所述智能风控决策系统，用于调用识别策略对所述事件集进行风险识别，获得所述事件集的风险行为；其中，所述事件集中的每个事件具有各自的业务场景；所述识别策略中包含对所述事件集中的每个事件进行处理的子策略，所述子策略根据该事件的业务场景确定；根据所述事件集的风险行为生成应对决策；所述应对决策中包含所述每个事件的个性化应对决策；对所述风险行为和所述应对决策进行监控分析，获得所述事件集的分析结果；根据所述事件集的分析结果调整所述识别策略和所述应对决策；

所述智能风控决策系统，用于将所述每个事件的个性化应对决策反馈给所述业务系统；

所述业务系统，用于根据所述每个事件的个性化应对决策生成所述每个事件的执行决策进行执行。

21.一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，该程序被处理器执行时实现权利要求1-9任一项所述方法的步骤。

22.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-9任一项所述方法的步骤。

Images