CN110892442A - 用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备 - Google Patents
用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备 Download PDFInfo
- Publication number
- CN110892442A CN110892442A CN201880036547.3A CN201880036547A CN110892442A CN 110892442 A CN110892442 A CN 110892442A CN 201880036547 A CN201880036547 A CN 201880036547A CN 110892442 A CN110892442 A CN 110892442A
- Authority
- CN
- China
- Prior art keywords
- transaction
- settled
- score
- data
- transactions
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000003044 adaptive effect Effects 0.000 title description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000013450 outlier detection Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 21
- 238000011282 treatment Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 abstract description 32
- 238000012552 review Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 26
- 238000007726 management method Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 230000001186 cumulative effect Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012550 audit Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000004308 accommodation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229920000168 Microcrystalline cellulose Polymers 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 208000017763 cutaneous neuroendocrine carcinoma Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000013410 fast food Nutrition 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 235000019813 microcrystalline cellulose Nutrition 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 235000021167 banquet Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001876 chaperonelike Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/12—Accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/02—Comparing digital values
- G06F7/026—Magnitude comparison, i.e. determining the relative order of operands based on their numerical value, e.g. window comparator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/34—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using cards, e.g. integrated circuit [IC] cards or magnetic cards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一种系统、方法和计算机可读介质,其用于针对从商家接收的交易检测至少一个非相容商务卡交易,且用于至少部分地基于评分模型产生所接收交易的至少一个得分,以确定交易是否为非相容的。所述评分模型包含通过非监督学习以来自得分影响规则、案例处置数据、交易数据、历史数据和旧评分模型的反馈确定的至少一个得分,以及基于当前得分影响规则和案例处置数据以预定义间隔自动修改所述评分模型。机器学习被编程为至少部分地基于基于概率的离群值检测算法和集群算法对所述模型进行评分,且提供案例呈现系统用于评分交易的审计和检视并接收包括案例处置数据和得分影响规则的输入。
Description
相关申请交叉引用
本申请要求2017年6月2日提交的第15/612,495号美国实用申请的优先权,所述实用申请的公开内容全文以引用的方式并入。
技术领域
本发明大体上涉及用于商务卡的交易的误用和滥用检测系统,且在一个特定实施例中涉及一种用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备。
背景技术
雇员误用和滥用商业信用卡很成问题。根据注册舞弊检查师协会(ACFE),每天因雇员误用和滥用而丢失数十亿张卡。因此,公司们正寻求新的方式来控制误用/滥用,且使此类不当使用所伴随的重大金融风险最小化。
不同于欺诈,作为不良行为者的持卡人本身通常不会报告误用和滥用。因此,必须独立于持卡人来检测误用和滥用。其次,不良行为者不断设计出新的误用和滥用商务卡的方案,且当没有充分的调查和检测资源可用时,这些新方案可能会被忽略。
用于检测商务卡的误用或滥用的系统建模非常困难。利用分析处理的误用和滥用检测对于检测公司信用卡交易数据中的先前未检测到的异常很重要。然而,传统的防止误用和滥用的方法并非特别高效。举例来说,不当支付通常通过分析员审计来管理,分析员审计数量只有很少的交易样本。
现有商务卡误用和滥用检测系统和方法采用固定的规则集,且限于数据密集型任务,其涉及筛选众多属性以找到新的和演变的模式。此外,得分的验证非常困难。一旦已识别特征的子集,现有模型就使用静态规则集对案例进行评分。
此外,现有开支管理系统已经提供行程管理器、购买管理器、财务管理器和卡程序管理器对线上系统的访问来控制商务卡购买。除购买管理之外,这些系统还提供传统采购管理功能,例如记账结构支持、默认译码、拆分译码、工作流程和到记账系统的直接集成。举例来说,管理器可管理用于个人使用、公司策略和程序相容性的购买,以及交易的批准。现有系统的采用包含基本报告、完全特征费用报告、多国汇总报告和白色标签解决方案。对于行程帐户,系统包含详细行程数据、中心行程帐户支持和完全特征费用报告,且利用接收成像、策略警示和批准选项。
相应地,技术领域中需要提供用于更新能够捕获新的误用和滥用模式的数据模型的系统和方法。此外,技术领域中需要提供用于改进开支管理、非相容性商务卡交易注释、过去到期帐户和超支监视、批准阈值触发、优选供应商指定和监视,以及增强的管制报告的系统。最后,需要提供使用关键智能辅助的相容性管理来实现最佳卡程序管理。
发明内容
相应地,本发明的一目标是提供一种供自适应评分过程使用用于优化机器学习异常检测算法的监督反馈以及非监督异常检测算法自动检测商务卡的误用或滥用的系统、方法和设备。
根据非限制性实施例,提供一种用于从与多个商家相关联的多个交易检测非相容商务卡交易的计算机实施的方法,所述计算机实施的方法包括:利用至少一个处理器接收商务卡持有人帐户的多个已结算交易;利用至少一个处理器在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;利用至少一个处理器至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;利用至少一个处理器从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于试探法、异常评分和案例处置数据以预定义间隔自动修改评分模型。
根据非限制性实施例,提供一种用于从与多个商家相关联的多个交易检测至少一个非相容商务卡交易的系统,所述系统包括具有至少一个处理器的至少一个交易处理服务器,所述至少一个处理器被编程或配置为:从商家接收商务卡持有人帐户的多个已结算交易;在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于试探法、异常检测和案例处置数据以预定义间隔自动修改评分模型。
根据另一非限制性实施例,提供一种用于处理来自与多个商家相关联的多个交易的非相容商务卡交易的计算机程序产品,所述计算机程序产品包括至少一个非暂时性计算机可读介质,所述非暂时性计算机可读介质包含程序指令,所述程序指令在由至少一个处理器执行时使所述至少一个处理器:从商家销售点系统接收商务卡持有人帐户的多个已结算交易;在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于试探法和案例处置数据以预定义间隔自动修改评分模型。
在以下编号条款中阐述其它实施例或方面:
条款1:一种用于从与多个商家相关联的多个交易检测非相容商务卡交易的计算机实施的方法,所述计算机实施的方法包括:利用至少一个处理器接收商务卡持有人帐户的多个已结算交易;利用至少一个处理器在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;利用至少一个处理器至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;利用至少一个处理器从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于试探法和案例处置数据以预定义间隔自动修改评分模型。
条款2:根据条款1所述的计算机实施的方法,其中所述至少一个评分模型至少部分地基于基于概率的离群值检测算法和集群算法中的至少一个。
条款3:根据条款1或2所述的计算机实施的方法,其中接收所述案例处置数据包括:产生包括所述多个已结算交易的至少一子集的至少一个图形用户界面;以及经由所述至少一个图形用户界面接收用户输入,所述用户输入包括所述案例处置数据。
条款4:根据条款1-3中任一项所述的计算机实施的方法,其中在接收每一已结算交易时产生所述多个已结算交易的每一已结算交易的所述至少一个得分包括每日或实时产生已结算交易的子集的所述至少一个得分。
条款5:根据条款1-4中任一项所述的计算机实施的方法,其还包括利用至少一个处理器从所述至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的至少一个得分影响规则,其中至少部分地基于所述至少一个得分影响规则修改所述评分模型。
条款6:根据条款1-5中任一项所述的计算机实施的方法,由案例呈现服务器接收所述得分影响规则,其中将所述得分影响规则指派到第一公司。
条款7:根据条款1-6中任一项所述的计算机实施的方法,其还包括响应于产生每一已结算交易的至少一个得分,利用至少一个处理器确定传达关于特定评分特征的信息的原因代码。
条款8:根据条款1-7中任一项所述的计算机实施的方法,其还包括响应于产生每一已结算交易的至少一个得分,利用至少一个处理器确定传达关于特定评分特征的信息的原因代码,其中对所述得分的贡献由所述原因代码指示。
条款9:根据条款1-8中任一项所述的计算机实施的方法,其中在所述至少一个基于概率的离群值检测算法之前首先处理所述集群算法,从而提供至少一个评分已结算交易。
条款10:根据条款1-9中任一项所述的计算机实施的方法,其还包括针对模型评分的反馈,所述反馈包含得分影响规则、案例处置数据、旧模型得分和新历史数据中的至少一个。
条款11:根据条款1-10中任一项所述的计算机实施的方法,其中所述反馈更新与评分交易相关联的至少一个属性。
条款12:一种用于从与多个商家相关联的多个交易检测至少一个非相容商务卡交易的系统,其包括具有至少一个处理器的至少一个交易处理服务器,所述至少一个处理器被编程或配置为:从商家接收商务卡持有人帐户的多个已结算交易;在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于所述试探法和案例处置数据以预定义间隔自动修改所述评分模型。
条款13:根据条款12所述的系统,其中所述至少一个处理器进一步被编程或配置为至少部分地基于基于概率的离群值检测算法和集群算法中的至少一个对所述至少一个模型进行评分。
条款14:根据条款12或13所述的系统,其中所述至少一个处理器进一步被编程或配置为:产生包括所述多个已结算交易的至少一子集的至少一个图形用户界面;以及经由所述至少一个图形用户界面接收用户输入,所述用户输入包括所述案例处置数据。
条款15:根据条款12-14中任一项所述的系统,其中所述至少一个处理器进一步被编程或配置为在接收每一已结算交易时产生所述多个已结算交易的每一已结算交易的至少一个得分,包括每日或实时产生已结算交易的子集的所述至少一个得分。
条款16:根据条款12-15中任一项所述的系统,其中所述至少一个处理器进一步被编程或配置为利用至少一个处理器从所述至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的至少一个得分影响规则,其中至少部分地基于所述至少一个得分影响规则修改所述评分模型。
条款17:根据条款12-16中任一项所述的系统,其中将所述得分影响规则指派到第一公司,所述得分影响规则。
条款18:根据条款12-17中任一项所述的系统,其中所述至少一个处理器进一步被编程或配置为响应于产生每一已结算交易的至少一个得分而利用至少一个处理器确定传达关于特定评分特征的信息的原因代码,其中对所述得分的贡献由所述原因代码指示。
条款19:根据条款12-18中任一项所述的系统,其中所述至少一个处理器进一步被编程或配置为在处理至少一个基于概率的离群值检测算法之前首先处理所述集群算法,从而提供至少一个评分已结算交易。
条款20:根据条款12-19中任一项所述的系统,其中所述至少一个处理器进一步被编程或配置为包含至少一个或多个得分影响规则、案例处置数据、旧模型得分和新历史数据。
条款21:根据条款12-20中任一项所述的计算机实施的方法,其中所述反馈更新与评分交易相关联的至少一个属性。
条款22:一种用于处理来自与多个商家相关联的多个交易的非相容商务卡交易的计算机程序产品,所述计算机程序产品包括至少一个非暂时性计算机可读介质,所述至少一个非暂时性计算机可读介质包含程序指令,所述程序指令在由至少一个处理器执行时使所述至少一个处理器:从商家销售点系统接收商务卡持有人帐户的多个已结算交易;在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于所述试探法和案例处置数据以预定义间隔自动修改所述评分模型。
附图说明
附图中的各图仅示出本公开的实例实施例,且不能被视为限制其范围。
图1是根据本发明的原理用于产生评分模型的系统的示意图;
图2是根据本发明的原理用于产生和处理评分模型的系统的示意图;
图3A是根据本发明的原理用于非监督机器学习集群算法的过程流程图;
图3B是展示根据本发明的原理的所标绘交易的三个示例性群集的群集图;
图4是根据本发明的原理使用概率的非监督异常检测的过程流程图;
图5是根据本发明的原理用于处理和检视至少一个评分非相容商务卡交易的系统的示意图;
图6是示出根据本发明的原理采用反馈的自适应评分系统和方法的定时的时间线示意图;
图7是根据本发明的原理用于产生和处理至少一个商家兑换代金券的过程流程图;以及
图8是根据本发明的原理用于更新评分模型的过程流程图。
具体实施方式
出于以下描述的目的,术语“端部”、“上部”、“下部”、“右侧”、“左侧”、“竖直”、“水平”、“顶部”、“底部”、“横向”、“纵向”和其派生词应如其在图式中定向的那样与本发明相关。然而,应理解,本发明可采用各种替代变化和步骤序列,明确地指定相反情况除外。还应理解,附图中示出的以及在以下说明书中描述的特定装置和过程仅仅是本发明的示例性实施例或方面。因此,与本文公开的实施例或方面有关的特定尺寸和其它物理特性不应被视为限制性的。
本发明的非限制性实施例是针对一种系统、方法和计算机程序产品,其用于检测与公司或机构相关联的商务卡交易期间商务卡的至少一个误用或滥用。本发明的实施例允许使用由来自帐户所有者的监督学习提供的反馈、监督评分规则和处置数据限定的评分规则的自适应优化、在本发明的非限制性实施例中,所述系统利用已知和可用的误用和滥用数据来使用机器学习算法进行学习以找到新模式并产生更精确的原因代码。当使用可用数据来作出新确定时,得分和代码变得更精确。并非等待人为干预来逐步地更新规则,非限制性实施例可包含监督学习,包括案例信息、得分影响规则和交易更新(一些基于先前得分模型),以在预定时间形成新评分模型。自适应再新使评分算法通过消除可能不恰当地影响新规则或含有假阳性商务卡交易的旧案例来预测新异常。
如本文中所使用,术语“商务卡”指代颁发给公司或机构的雇员或代理以进行商业相关交易的便携式金融装置。商务卡可包含物理支付卡,例如信用卡或借记卡;或电子便携式金融装置,例如移动装置和/或电子钱夹应用。应了解,商务卡可指代用于以与个体和公司或机构关联的账户识别符进行交易的任何器械或机构。
如本文中所使用,术语“误用”和“滥用”指代使用相关联数据的属性来确定交易的性质基于预测进行交易的表征或分类。滥用可指代有意或无意地违反政策和程序以实现个人利益。误用可指代商务卡被颁发给的雇员或代理进行的未经授权的购买活动。误用可包括多种多样的违反,其严重程度有所不同,即,使用非优选供应商购买比认为适合的商质量高的质量的商品。术语“欺诈”可指代卡的未授权使用,从而产生使得终端用户组织不能获益的获取。欺诈可由持卡人、终端用户组织的其他雇员、由供应商采用的个体,或交易所涉及的各方中的任一个未知的人作出。
如本文所使用,术语“通信”是指接收或传送一个或多个信号、消息、命令或其它类型的数据。一个单元(例如,任何装置、系统或其组件)与另一单元通信意味着所述一个单元能够直接或间接从其它单元接收数据和/或将数据传输到其它单元。这可指代本质上有线和/或无线的直接或间接连接。另外,尽管所传输的数据可以在第一单元与第二单元之间被修改、处理、中继和/或路由,但这两个单元也可以彼此通信。例如,尽管第一单元被动地接收数据且不会主动地将数据传输到第二单元,但第一单元也可以与第二单元通信。作为另一实例,如果中间单元处理来自一个单元的数据且将经处理数据传输到第二单元,则第一单元可与第二单元通信。应了解,可能有许多其它布置。
如本文中所使用,术语“商家”可指代基于例如支付交易等交易向客户提供商品和/或服务或对商品和/或服务的访问的个体或实体。术语“商家”或“商家系统”还可以指代由商家或代表商家操作的一个或多个计算机系统,例如执行一个或多个软件应用的服务器计算机。如本文中所使用的“商家销售点(POS)系统”指代由商家使用以参与与客户的支付交易的一个或多个计算机和/或外围装置,包含一个或多个读卡器、近场通信(NFC)接收器、RFID接收器和/或其它非接触收发器或接收器、基于接触的接收器、支付终端、计算机、服务器、输入装置,和/或可用于起始支付交易的其它类似装置。商家POS系统还可以包含被编程或配置为经由网页、移动应用等处理线上支付交易的一个或多个服务器计算机。
如本文中所使用,术语“监督学习”可指代一个或多个机器学习算法,其以已知输入变量(x)和输出变量(y)开始,且学习从输入到输出的映射函数。监督学习的目标是近似映射函数,使得可作出关于可用于预测所述数据的输出变量(y)的新输入变量(x)的预测。从训练数据集的监督算法学习的过程可被认为是教师监督学习过程。正确的答案是已知的。所述算法反复地对训练数据作出预测且由所述教师进行校正。当算法实现可接受性能水平时,学习停止。监督学习问题可进一步分组为回归问题和分类问题。监督学习技术可使用经标记(例如,分类)训练数据以及正常和离群值数据,但由于缺乏经标记离群值数据而不太可靠。举例来说,基于多变量概率分布的系统很可能对具有较低概率作为离群值的数据点进行评分。回归问题为当输出变量为例如“美元”或“重量”等实值时。分类问题为当输出变量为例如“红色”和“蓝色”或“相容”和“非相容”等类别时。
如本文中所使用,术语“非监督学习”可指代具有输入变量(x)且无对应的输出变量的算法。非监督学习的目标是为数据中的基本结构或分布建模以便学习关于所述数据的更多信息。不同于监督学习,在非监督学习中不存在正确答案且不存在教师。非监督学习算法用于发现和呈现数据中的所关注结构。非监督学习问题可进一步分组为集群和关联问题。集群问题为用于发现数据集中的固有分组的建模,例如依据购买特性对客户进行分组。关联规则学习问题为你想要发现描述数据的大部分的规则的情况,例如购买A的人往往也会购买B。非监督学习算法的一些实例为集群和概率建模。
现参看图1,展示根据优选和非限制性实施例用于检测误用和滥用的动态评分系统100。评分模型102可包含(例如)来自系统100的一个或多个自适应状态反馈。系统100可产生商务卡交易数据中的一个或多个趋势以识别可指示滥用或误用的异常。系统100可出于对各种商品、服务和商业费用进行支付的目的而分析例如一个或多个商务卡持有人交易,其中误用和滥用的类型不是商务卡欺诈检测系统中发现的类型。持卡人可以是出于代表其组织进行指定的商业购买/支付的目的而被颁发商务卡的公司的雇员。
在图1中展示的评分系统100的非限制性实施例中,使用在专门编程的计算机上处理用于识别公司卡误用和滥用案例的机器学习算法来测试商务卡交易记录。评分模型102为自适应的,从商务卡管理系统接收包括从一个或多个卡交易数据104、存储数据106以及试探法和处置数据108合并的卡交易记录的通信。评分状态反馈110表示自适应学习方面,其使用新属性和历史属性来刷新模型评分。历史属性依据处置数据和规则确定,两者均影响模型评分。
继续参看图1,评分模型102可创建用于对传入的商务卡持有人交易进行评分的得分规则。在本发明的非限制性实施例中,评分规则每月限定一次且用于对每日新交易进行评分。得分可指代标签或信息的其它指示符且被指派为记录的属性。在评分模型102的创建过程期间,系统100执行数据模型训练,其中评分算法从训练数据进行学习。术语数据模型指代模型伪影,由训练过程限定的评分模型。训练数据必须含有正确答案,其被称为目标或目标属性。学习算法识别将输入数据属性映射到目标(例如,预测的答案)的训练数据中的模式,且其输出捕获这些模式的评分模型。
商务卡交易数据104可指代标准交易数据,且可包含(例如)交易日期、交易时间、供应商、商家、总交易额、客户限定的参考数字(例如,购买订单编号、单独销售税额),和/或项目细节(例如所购买项目)。被存储的商务数据106可包含可通过比较关键识别字段而与交易相关联的数据,所述关键识别字段可包含(例如)姓名、持卡人ID、商家ID或商家类别代码(MCC)中的一个或多个。在非限制性实施例中,此匹配可并入有来自现有表的数据,且可包含(例如)住宿数据、案例数据、轿车租赁数据和/或帐户余额数据中的一个或多个。试探法和处置数据108可指代系统中的每一公司将能够基于特定准则创建以用于影响得分值的基于检视期间的用户输入的规则。举例来说,应了解,如果MCC具有值5812(快餐)且金额小于$5,则得分在大多数商务系统上可在低范围中(指示恰当交易)。如果金额超过$100,则出于午餐时间快餐购买的目的,交易可被视为异常。此规则以及类似的且复杂性增加的其它规则可存储在系统100中且可在处理时表征交易。所述规则是包含特定交易将受到影响的内容、地点、人物、时间和原因的一个或多个识别条款的陈述。
得分影响规则还可进一步优化或调整集合中的数据集得分。旧得分模型的参数可添加到模型数据。旧非监督评分模型可用于对数据集的要素进行评分以将得分规则指派到数据的特征且在所述数据中创建更多属性。查询处理器可被配置成基于终端用户的处置标注和用于标注记录的得分影响规则用关于案例的规定更新历史数据。系统包含案例呈现应用,用于接收用于输入、更新、复制和改变规则以及对记录进行标注或评分的通信。案例处置数据或决策矩阵指示关于案例的信息,例如标注,以明确地展示案例为“良好、误用、滥用和/或欺诈”。标记可在建模之前使用以在运行非监督算法之前从模型数据移除滥用交易。
在一个非限制性实施例中,评分状态反馈110可指代基于来自数据和输入源的反馈动态地调整得分的过程。动态评分系统100的状态是基于准许检测新异常的变量或属性的集合。系统中的此类递增改变输入到评分算法中。此类属性的递增改变可在新模型得分的训练期间具有强大效应。其可通过系统的状态中引入的差异来限定。递增改变可指代商务数据、经更新或新案例处置或影响规则和新交易数据的改变。所述反馈可能影响模型的特征。
评分模型102响应于接收到模型数据集而产生关于目标未知的新原始数据的预测。举例来说,为了训练模型以预测商务卡交易是否为误用或滥用,使用训练数据,所述训练数据含有目标已知的交易(例如,指示商务卡交易是否被滥用的标签)。通过使用此数据实现模型的训练,从而产生尝试预测新数据是否将为滥用/误用的模型。
现参看图2,根据优选和非限制性实施例提供用于处理自适应评分模型更新的商务卡评分系统200。所述系统在可缩放商务卡评分系统200中实施评分数据集,从而处理大量商务卡交易数据。系统200包括数据服务202、实用程序204和操作206。数据服务202与传送商务数据存储库208、决策矩阵210和预先配置的规则集212的数据存储库的过程通信。非限制性实施例中的数据存储库以变换的方式耦合到用于动态地修改、刷新和/或更新得分规则的操作。可通过到例如具有相关联原因代码的特征树等评分算法中的操作来转换得分规则。此外,数据服务202包含查询214,其包含被存储SQL变换、数据配置程序和其它变换。
继续参看图2,数据服务202存储所接收的交易数据和历史数据。所述交易数据可与存储在历史数据评分系统200中的商务数据匹配且与之一起配置。数据服务202可包含具有规划或对准功能性的变换的布置。查询214可包含(例如)一个或多个库,其包括基本SQL变换、使用针对专门参数定制的变换的数据配置、表比较、历史保留、查找和预测分析库。库可包含用于分析或预测分析的一个或多个变换、商业功能,以及具有特殊用途以产生用于例如交易数据、案例处置、其它源等处置数据的评分模型的变换。数据服务202提供对例如数据立方体等数据库仓库平台上的服务的访问。
继续参看图2,从数据服务202接收建模数据集216。数据服务202提供数据的变换,且可执行一个或多个映射简化过程以仅从数据源加载新的和改变的数据。建模数据集216向性能标注服务器218传送标记有额外信息的相容案例和作为原始数据且未标注的非相容案例。配置文件基于相容性检视会话期间的输入。配置文件可包含例如具有案例处置信息的一个或多个监督决策矩阵210和预先配置的规则集212。这些监督学习标记和规则可限定或指代用于使用系统200的每一公司的策略,且将具有基于特定准则影响得分值的影响规则。举例来说,如果MCC为5812且金额小于$5,则得分将为低、相容或良好。
仍参看图2,性能标注服务器218基于机器学习过程中检测到的异常执行原始数据的自动标注(例如,标记)。性能标注服务器218还执行由监督学习反馈限定的异常检测。针对性能标注服务器218从数据集208拉取建模数据集216。性能标注服务器218实现用于本地或云中部署以及用于到远程源的连接性的数据邦联、复制和变换情境。性能标注可定义为记录的自动机器或计算机实施的标注,而无人为干预。数据标注或标记通过基于数据的属性将数据标签添加到数据来限定。数据标签是出于识别的目的而附接到记录中的字段或用以提供关于记录的额外信息的标记。数据标签可用于基于各种准则对数据进行分类或分段,或促进大量数据的管理。所述数据可基于这些片段来提取、分拣、处理、传输或移动。
实用程序处理204包含训练过程,其使评分模型与数据拟合以创建评分算法。产生由评分模型使用训练数据限定的得分规则的数据训练服务器220包含用于实体分类的一个或多个特征值,且使每一实体与一个或多个分类器相关联。训练服务器可使用至少用于梯度促进系统的数据训练服务器220构建模型得分,所述数据训练服务器应用可用于构建包含子模型中的一个或多个的评分模型的机器学习过程。举例来说,所述一个或多个子模型中的每一个可为决策树。所述树的候选特征由正规化交易数据、住宿数据、案例数据、规则数据、帐户层级汇总、交易历史和/或余额数据限定。训练数据包含相容交易和/或一个或多个原始非相容交易。使用非监督机器学习的过程来确定数据的特征。所递送的最终模式为决策树。模型评分训练使用梯度促进树构建评分算法。此外,可通过估计每一树中的特征重要性来确定原因代码。每一终端节点的得分中所估计的特征贡献用于产生原因代码。使用训练数据构建集群方法和概率模型,且对照其测试记录的离群值。在非限制性实施例中,机器学习可依次运行,其中集群运行两次,且接着在集群训练之后使用概率建模。
在实施阶段期间,得分规则用于处理传入的交易以用于检测误用和滥用。监视报告222可用于传送分析知识。类似于查询214的第二组查询224用于产生数据集226。数据集226可由决策矩阵234和预先配置的规则232中的一个或多个进行评分。评分引擎228使用得分影响规则、决策矩阵234和评分数据集236处理评分数据集226。当对案例进行评分时,其被传送到案例管理服务器。
不同于针对常规消费者信用卡的欺诈检测,并非全部误用和滥用都能容易地检测到。已经采用非监督机器学习技术来自动捕获新的和未检测到的趋势。预测系统提供预测分析,其利用过去和当前数据来检测可疑的交易。系统使用例如机器学习等先进的分析技术以识别新的风险和脆弱区域。
机器学习可指代多种不同的计算机实施的过程,其通过确定输入数据的群体内实体的特征和实体之间的关系来基于所述群体构建模型。为了构建模型,机器学习过程可测量群体内每一实体的多种特征,且比较不同实体的特征以确定分段。举例来说,机器学习过程可用于根据其特征和实体之间的关系将实体集群在一起。
如本文中所使用,术语“分类器”和“分类标签”指代描述实体的属性的标签(例如,标签)。分类器可由人类或由计算机动态地确定。举例来说,人可将特定交易分类为“良好、误用、滥用和/或欺诈”。在另一实例中,交易可基于购买什么类型的商品或服务(例如,“食物”或“旅馆”)或交易的其它细节来分类。一个或多个分类标记可施加到每一实体。具有相同分类标签的实体可具有拥有类似值的一个或多个特征。
如本文中所使用,术语“特征”指代如机器学习过程确定的实体的不同特性或属性的测量值的集合。如此,实体的特征是实体的特性,使得取决于机器学习过程的准确性,类似实体将具有类似特征。举例来说,交易的“特征”可包含交易的时间、交易所涉及的各方或交易值。此外,交易的特征可以更复杂,包含指示由第一方进行的交易的模式或与第一方的交易所涉及的其它方的模式的特征。由复杂机器学习算法确定的特征可能无法由人类解译。所述特征可存储为整数值的阵列。举例来说,两个不同实体的特征可以由以下阵列表示:针对第一实体[0.2,0.3,0.1,…]以及针对第二实体[0.3,0.4,0.1,…]。可针对公司或机构和/或卡类型计算例如标杆瞄准(bench-marking)统计数据(例如,平均美元/MCC)等特征。
数据服务202包含(例如)与交易相关的至少一个或多个数据量。一旦在系统中,所述数据就被存储且在正常商业过程中使用。此外,数据服务202能够使记录与交易匹配。不符合正常和预期模式的数据称为离群值。离群值可涉及涉及购买交易的各个方面的多种多样的商务交易。系统存储可能非结构化的大量数据,从而创建利用大数据处理技术的机会。非结构化数据可指代尚未标注的原始数据。
建模方法基于数据的属性将数据分段为群组。所述群组由例如卡类型(例如,购买卡或行程卡)、交易类型或公司类型等属性和属性的不同组合限定。此外,可基于MCG、MCC、航空公司、连锁旅馆、轿车租赁、人口统计信息、业务单元、供应商位置、持卡人状态、持卡人国家、交易类型、金额、供应商国家和/或供应商国家和城市对交易进行分段。
作为一实例,检测可针对公司A确定大多数商务卡用户为午餐支付近似$25.00。所述确定可用于通过计算平均和标准偏差来检测在典型午餐交易外围的午餐交易。从标准偏差发散的交易可确定为滥用或可能滥用的例项。在本发明的一个方面中,可对规则进行编程以比较偏差的记录,且将其报告为可能的滥用。交易时间与MCC组合可用于确定所述交易是针对午餐,且因此所述交易应与典型午餐交易进行比较。
位置属性可指示交易发起的位置。举例来说,属性“城市”可指示“巴黎”或“纽约”。其它可用尺寸包含MCC发生率、住宿数据、案例数据、轿车租赁数据和/或帐户余额数据中的一个或多个。由数据评分系统200处理的每一交易被指派MCC,四数位数字,其表示提供服务或出售商品的企业的类型。用于约会和陪伴服务的MCC为7273,且用于按摩院的MCC为7297。下表展示系统中使用的若干示例性MCC代码:
表1:
MCC | 商家类别代码 |
3000-3299 | 航空公司 |
4511 | 航空公司、航空承运商 |
5542 | 自动加油机 |
5811 | 宴会服务公司 |
5812 | 餐食场所、餐厅 |
5813 | 饮酒场所 |
5814 | 快餐店 |
5912 | 药房和药店 |
5921 | 瓶装酒销售店-啤酒,葡萄酒,和白酒 |
6011 | 自动现金支出 |
7011 | 酒店、汽车旅馆和度假村 |
5931 | 二手商品和二手店 |
可使用MCC例如来监视商务卡的一个或多个方面并限制商务卡上的开支。MCC连同商家的名称为卡发布者提供持卡人的开支的指示。系统可针对许多不同规则使用MCC。在实施例中,MCC的等级可在常见商家类别和罕见商家类别之间或其间的任何范围内区分。罕见MCC可评分为可能的误用和滥用。
图3A是用于使用集群算法检测新外围交易的本发明的集群方法的流程图300。集群的目标是找到常见模式且将其评分为低。群集分析用于探索性数据分析以识别数据中的隐藏模式或分组。在非限制性实施例中,集群的目标是发掘具有常见模式的交易且将其评分为低。举例来说,近似$25-$50的餐馆购买对于公司来说可能是常见的且针对具有类似属性的所有交易被评分为低,但在比较时可识别更大的金额。集群可视为一种形式的分类,其可用于利用分类标记创建对象的分类。然而,非监督异常检测算法仅使用数据的本征信息以便检测与大部分数据偏离的例项以导出分类标记。这与监督分类形成相比,其中使用从具有已知分类标记的对象开发的模型向新的未标记对象指派分类标签。
继续参看图3A,评分并非为低或通常在特定模式的群集的范围外的交易可识别为可能的离群值。在步骤302处,经缩放数据传送到集群过程。特征缩放是一种用于标准化数据的自变量或特征的范围的方法。此类数据正规化技术可在数据预处理步骤期间执行。因为原始数据的值的范围广泛地变化,所以在一些机器学习算法中目标功能可能在无正规化的情况下不能恰当地工作。举例来说,分类器通过欧几里得距离计算两个点之间的距离。如果特征中的一个具有广泛范围的值,则将通过此特定特征控制所述距离。因此,所有特征的范围应正规化,使得每一特征近似成比例地对最终距离作出贡献。比例缩放因子可指代预定义缩放阈值。
仍参看图3A,接着应用集群算法来确定特定针对某一公司的最常见模式。在非限制性实施例中,在步骤304处,使用K-平均算法。还可使用其它类型的集群,例如密度集群或阶层集群。然而,K-平均算法存储用于限定群集的K形心。如果点相比于任何其它形心更接近特定群集的形心,则所述点被视为在所述群集中。集群算法通过在以下两者之间交替来查找最佳形心:(1)基于当前形心向群集指派数据点,和(2)基于数据点到群集的当前指派挑选形心(作为群集的中心的点)。在步骤304处作出初始形心的确定。形心的数目K可以是用户指定的或由系统预先确定。从点的较大群组识别K个初始形心。可随机地或使用保持随机性并且形成较好分离的群集的其它技术来挑选点。
继续参看图3A,在步骤306处,确定点的群组的形心。通过将点的群组中的每一点指派到其最接近的形心来形成群集。为了将点指派到最接近的形心,可使用近程来确定点和形心之间的测量值。在步骤308处,检测且移除所产生的形心的外围记录。离群值可能不恰当地影响所发现的群集。确切地说,当存在离群值时,所得群集形心可能不如其原本具有代表性,并且因此平方误差的总和也将较高。因为这一点,其常常可用于发现离群值且预先消除离群值。
在图3A中的步骤310处,为了稳定性重新计算形心。每一次重新计算使群集进一步收敛。重新计算可产生新形心,且在一些实施例中,形心移动成更接近群集的中心。接着将点指派到新形心。过程继续直至迭代之间不发生改变。或者,可设定阈值改变,其中其可用以确定终点。在步骤312处,形心可用于检测新的和外围交易,并将其标记为“不良”案例或相应地评分。作为异常检测算法的输出,存在两种可能性。第一,标签可用作指示例项是否为异常的结果。第二,得分或置信度值可以是指示异常的程度的提供更多信息的结果。对于监督异常检测,可归因于可用分类算法使用标签。对于非监督异常检测算法,得分较常见。在本发明的非限制性实施例中,评分系统对异常进行分级且仅向用户报告顶部异常,包含一个或多个分组(例如,前1%、5%或10%)。以此方式,得分用作输出且对结果分级使得分级可用于性能评估。分级还可使用适当阈值转换成分类标签。现参看图3B,展示群集分析算法的集群和标绘的结果。图式包含三个群集,其中群集的边缘外部存在的离群值由轮廓突出显示。
参看图4,展示根据非限制性实施例的非监督异常检测的过程流程图。步骤402处的性能标注服务器可进一步将交易记录的属性变换为分类值。在非限制性实施例中,所述数据包括正规化记录和至少一个异常记录。使用训练数据构建概率模型,且对照其测试记录以确定其是否为离群值。
交易群组通过属性形成且接着进行比较以找到异常。在非限制性实施例中,作为所有交易的属性的MCC用于对交易进行分类。举例来说,表2示出MCC分组中布置的交易、每一MCC群组的会员资格计数和每一MCC类别的发生概率。在总交易中,1,145,225个与MCC5812相关联。在另一实例中,表3展示基于支付金额布置为类别的交易记录。举例来说,3,464,982个具有在$25或更小的开支范围内的交易。
表2:
MCC | 计数 | 概率 |
5812 | 1,145,225 | 0.148 |
5814 | 913,970 | 0.118 |
5542 | 666,499 | 0.086 |
7011 | 627,067 | 0.081 |
4511 | 493,285 | 0.064 |
6011 | 375,351 | 0.048 |
3001 | 294,514 | 0.038 |
表3:
账单金额$ | 计数 | 概率 |
0-25 | 3,464,982 | 0.446 |
25-75 | 1,478,368 | 0.190 |
75-250 | 1,194,569 | 0.154 |
250-500 | 736,234 | 0.095 |
500-1K | 602,487 | 0.078 |
1K-2K | 290,281 | 0.028 |
仍参看图4,在步骤404处,对于每一潜在属性值对,所述方法计算其发生概率。举例来说,表2展示每一MCC的发生概率。MCC的概率或机率‘5812’可指代在可能结果的总数(例如,具有相关联MCC的所有交易的总数)中具有‘5812’属性的交易的数目。在步骤406处,针对每一潜在属性值对,产生联合发生概率。举例来说,MCC 5812和$25或更小的记账范围是潜在属性值对的实例。在此属性值对中,交易满足两个发生条件均为真的请求。接着可针对所述组合计算概率,例如0.091。此属性值对的记录的计数为703,542,具有MCC 5812和$25或更小的记账范围。对于每一属性值对,存储所确定的结果。
仍参看图4,在步骤408处,确定属性的联合概率和属性值或组合的稀有性。“r值”rval限定一起发生的记录i的属性值Xi和Yi的联合概率除以每一属性值可独立地发生的概率。“R值”可由下式限定:
其中,
X,Y=属性/特征的集合,
P(Xi)=P(X=i)。
“Q值”计算属性值的发生的稀有性:
qval(Xi)=∑xexP(x)其中X={x:P(x)<=P(Xi)}
在步骤408处,确定是否rval<α或qval<β。在非限制性实施例中,提供阈值(α=0.01,β=0.0001)以与交易的rval和qval进行比较。交易1不是离群值,因为不满足阈值:
·交易1:MCC=5812,记账金额=‘0-25’
计数(MCC=5812以及记账=0-25)=703,542
P(MCC,记账)=0.091,rval=rval=1.38>α
交易2为离群值,因为满足阈值:
·交易2:MCC=5812,记账金额=‘500-1K’
计数(MCC=5812以及记账=500-1K)=870
P(MCC,记账)=0.00011,rval=0.0098<α
在步骤410处,如果阈值比较为真,则根据所述确定将匹配记录标注为离群值,或进行评分。如果否,则系统返回到用于处理的下一记录直至针对每一记录计算rval和qval。
参看图5,展示根据非限制性实施例用于处理和检视至少一个评分非相容商务卡交易的系统的示意图。案例管理系统500将新交易502接收到树遍历算法504中用于模型评分506和特征评分508。在一些实施例中,商务卡案例管理系统500可以是执行一个或多个软件应用的一个或多个单独计算机系统。在相容性确定期间,交易分离成相容案例和非相容案例,其被传送或存储以供稍后使用。呈现服务器538接收交易,包含一个或多个非相容案例用于检视和处置标注。在非限制性实施例中,案例呈现系统538包含开支管理处理器540和相容性管理处理器542。案例呈现服务器538可包含编程指令,用于为管理员以适于与客户端装置通信的格式提供关于非相容案例的信息。应了解,存在若干不同通信协议和编程环境用于经由因特网、广域网和局域网,以及由检视者、管理器、管理员和/或金融协调器操作的一个或多个移动装置或计算机传送。
仍参看图5,案例呈现系统538包含开支管理处理器540以为非相容交易提供例如以下中的一个或多个:注释、警示、过去到期帐户、监视开支以检测超额、批准阈值触发、优选供应商指定和管制报告。开支信息使用多来源数据以提供开支信息的整体视图,且促成增加的操作效率和节省,以及改进的控制和与公司所制定的商务卡政策的相容性。展示具有示例性案例呈现显示器的非限制性实施例的控制板550。数据供给查询计算与持卡人如何开支相关联的控制板的度量。系统由检视者、管理器和管理员使用以校正商务卡误用和滥用。开支指南可被输入且用于停止识别为误用或滥用的行为。系统还可用以将开支与优选供应商合并。
用于审计和呈现非相容交易的相容性管理处理器542在利用动态得分规则、相容性工作流程和自适应反馈评分之后呈现用于标注的评分非相容案例。相容性系统为商务卡程序添加一层保护和控制。在本发明的一个方面中,相容性管理处理器542包含控制板,其用于提供度量,例如特定性能因素的宏视图。相容性管理处理器542还包含用于在审计期间选择和更新记录的显示器。举例来说,可通过消费者人口统计细节、商家细节或供应商细节的至少一个或多个来分拣非相容交易的审计。举例来说,在非限制性实施例中,用于执行审计的字段可包含以下中的一个或多个:MCG、MCC、航空公司识别符、连锁旅馆识别符、轿车租赁识别符、供应商地址、持卡人国家、交易类型、金额、总开支、开支的%、交易计数、拖欠美元数、计数、金额、误用案例计数、类型和/或开支。此外,非相容案例可依据阈值%审计,例如依据开支或某一其它阈值审计前十个MCC。商家简档可由跨越公司或其它分组的交易的频率限定。交易地形可限定可识别或影响识别已结算交易的任何雇员先前从未访问或很少访问的位置处的购买。交易值还可限定用于评估交易对于卡程序层级是否为异常的偏差量度。交易速度和拆分可包含(例如)拆分成多个交易以使系统赌博的高价值购买或高速ATM取款。详细层级数据可限定住宿交易,其具有到住宿交易内的层级和/或子类别的详细分解,例如礼品店、电影、电话、小酒吧或现金预付购买。
相容性管理处理器542提供用于评分商务交易案例检视的界面。案例呈现系统将现有案例处置(B)和得分影响规则(C)传送到相容性管理处理器542,相容性管理处理器进一步将反馈传送到数据储存库用于存储直至得分规则优化。在本发明的一实施例中,相容性管理处理器542在界面550上提供额外数据操控以用于激活至少一个新的或更新的得分影响规则、取样或预测过程以识别要经由相容性管理处理器542处理的可疑的交易。取样统计数据可指代用以限定用于处置案例的条件的结果的取样。得分影响规则可指代用于对照一个或多个标准规则、规则集或可定制规则中设定的准则来比较交易以识别潜在政策外开支的被存储逻辑。案例处置数据可限定交易或交易的分组,例如包含误用、滥用、欺诈或有效中的至少一个。
相容性管理处理器542接收包含例如用于恒定监督的一个或多个非相容评分案例的输入,以帮助识别误用和滥用更新且将那些更新提供到动态评分系统中的规则中。相容性处理器还提供干预算法以自动监视所指定卡程序,且提供更新建议以使程序移动为较接近相容或回到相容。在本发明的一方面中,界面550可以是用于商务支付程序的基于网络的灵活应用,以通过根据公司的政策操作来实现节省和益处的最大化。
可在案例呈现界面550中显示或呈现经处理数据流。在第一步骤中由相容性案例管理系统538中的管理器起始检视。接下来,适当人员可响应于所起始案例,以阐明案例的方面,例如可疑交易可能需要发票。检视案例,且作为响应而接受或拒绝所述案例。当案例关闭且放置到配置文件中时提供最终处置信息。
监督学习可利用影响得分的属性。举例来说,得分影响规则可包含一个或多个属性或影响调整。卡简档特性可确定由相关历史交易限定的预期交易特性。可使用记录的属性限定得分影响,包含公司头衔和阶层层级调整(例如,CEO、VP和工程师)。
参看图6,每月模型拟合系统600的示意图展示根据非限制性实施例的预定时间周期内的模型拟合处理。在实施例中,预先确定刷新率,从而通过传送用于模型拟合的历史数据和计算特征使数据库602每月(或其它时间周期)刷新。在模型拟合期间,在数据集上执行案例处置矩阵和得分影响规则以移除所有已知误用和滥用案例。数据存储库可包含(例如)一个或多个数据集合,例如财务、行程、电子商务、保险、银行、休闲娱乐和接待,且保持用于机器学习的交易数据。商务卡交易的月或年数以及相关数据可存储和组合以形成用于预测系统操作的基础。应了解,刷新率可以是任何时间周期。
在非限制性实施例中,至少六个月的历史数据用于执行模型评分。一些数据可以是以分类标记进行标记的数据,包括特征、处置数据、试探逻辑、案例数据和非监督得分规则。其它数据可呈原始格式,不具有标注或分类。从包含相容案例和一个或多个非相容案例的数据集导出异常。
除历史数据外,其它数据源也用于异常检测。案例数据由关于每一公司或机构的监督学习限定且与之相关联。在本发明的一方面中,每一公司或机构将具有基于特定准则包含得分值的能力。举例来说,案例数据可指示MCC的低得分5812和小于$5的金额。在另一实例中,与商务卡持有人公司的CEO相关联的商务卡可被配置成抑制任何小于$50k的金额。在另一非限制性实例中,当跨行业做生意的公司识别来自电子商务公司的商务卡持有人购买时,可对交易进行评分以指示其为误用。为了检测此类型的可能误用,可添加规则以基于监督学习模型下所述交易的MCC对所有此类交易添加旗标。或者,机器学习算法可用于检测此类异常。在又一实例中,旅馆住宿期间任何成人娱乐商务交易可被识别为误用。
在非限制性实施例中,交易各自标注(例如,标记)为“良好、误用、滥用和/或欺诈”。用于进行周末购买的商务卡被标注为可能的滥用和/或误用。评分规则存储在配置文件中且与模型数据相关联而处理。可在使用机器学习或在每一交易到达时在所述交易上进行性能标注之前当数据服务正供给建模数据时执行配置文件。以此方式,在运行机器学习算法之前从系统移除过时的数据。这限制了已知旧案例可能以其它方式对学习过程产生的影响。此类规则可用于从建模数据集消除交易,或可用于在性能标注作用于数据之前调整影响案例的得分的影响。
在非限制性实施例中,且继续参看图6,基于正规化交易数据、住宿数据、案例数据、规则数据、帐户层级汇总、交易历史和/或余额数据限定候选特征的群组。在步骤604处,使用用于非监督机器学习的过程计算数据的特征。模型评分训练使用具有原因代码的梯度促进树构建评分算法以用于估计每一树中的特征重要性。术语“原因代码”可指代识别实体的哪些特征是所述实体的分类的原因的代码、词组或叙述。举例来说,分类系统可向特定交易指派“欺诈性”分类符,且所述分类的原因代码可将“交易金额”和“地址检验”特征识别为所述分类的原因。原因代码还可包含更详细的信息,例如引起所述分类的每一相应特征的条件。举例来说,原因代码可指示归因于交易金额大于指定阈值且地址未被检验,所述交易被分类为“欺诈性”。每一终端节点的得分中的所估计特征贡献产生原因代码。在步骤606处,使用输入数据集训练模型,且使用算法来构建数据模型。
仍参看图6中的非限制性实施例,在步骤608处,每隔24小时或以任何预定时间间隔发生评分。新评分数据更新评分效率、质量、完整性和速度。接收案例数据、非监督学习算法和试探逻辑。在本发明的一实施例中,程序存储样本权重以根据群体权重调整样本。
下表展示将旧式系统与本文中所描述的新自适应动态评分系统的非限制性实施例进行比较的结果。系统范围的定量结果表明准确性显著增加。跨公司汇总的数据展示前5%和10%中高得多的检测。“不良”是最终标记为“误用、滥用和/或欺诈”的案例。
表4-新得分
累积%帐户 | 累积#不良 | 累积%不良 | 不良率 |
前5% | 418 | 77% | 4.74% |
前10% | 458 | 84% | 2.59% |
100% | 546 | 100% | 0.31% |
表5-旧得分
累积%帐户 | 累积#不良 | 累积%不良 | 不良率 |
前5% | 101 | 18% | 0.90% |
前10% | 152 | 84% | 0.86% |
100% | 546 | 100% | 0.31% |
表4和5展示两个评分系统之间结果的差异,表4使用新评分模型产生且另一个未使用此类评分方法。表4展示相比于旧系统中的相同群组,随着帐户的风险在风险最大群组之间增加,准确性显著增加。举例来说,风险最大帐户的前5%中的不良率在使用新评分的情况下与使用旧得分相比要好5倍。基于非监督学习算法,对于风险最大案例的高百分比,这些不良率增加。下表6和7进一步划分风险最大1%以例示覆盖度,评分将产生含有不良案例的区间的概率。覆盖度为区间的性质。表6展示具有针对前1%的覆盖度的概率,表7中此群组进一步划分。前5%中的覆盖度在新评分的情况下比旧评分好4倍。
表6-新得分的前1%统计数据
累积%帐户 | 不良率 | 比值比 | 覆盖度 |
前1% | 18.5% | 4.4:1 | 59.3% |
表7--前1%划分
累积%帐户 | 不良率 | 比值比 | 覆盖度 |
0.2 | 64% | 1:2 | 41% |
0.4 | 39% | 1.5:1 | 51% |
0.6 | 29% | 2.5:1 | 56% |
0.8 | 22% | 3.5:1 | 57% |
1.0 | 18% | 4.5:1 | 59% |
现参看图7,展示根据非限制性实施例用于从与多个商家相关联的多个商务卡已结算交易检测商务卡交易的误用和滥用的过程流程图700。应了解,过程流程图中展示的步骤仅出于例示性目的,且在各种非限制性实施例中,可执行额外或更少步骤。方法700开始于从若干不同源接收交易数据,包含已结算交易、监督学习和审计结果。在步骤702处执行审计或检视以制定交易的案例处置标签,所述审计向方法700提供用户或专家输入,且先前论述的案例呈现服务器可显示界面,所述界面限定用于更新自适应案例呈现系统的输入字段。所述输入可包含(例如)关于案例的数据,例如将关于案例的状态信息改变为“良好、误用、滥用和/或欺诈”。所述更新还包含关于由评分规则标记的案例的检视的数据。举例来说,公司政策管理员可使用检视应用来标注由非监督学习算法评分为高(例如前%1)的案例。在检视期间,管理员可输入关于用于评分的交易的判定,其可用于下一轮以修改、优化或创建评分规则的新特征。所述标注可以是案例处置数据,包含例如指示误用、滥用、欺诈或有效的一个或多个标签。
在图7的步骤704处,相容性处理器更新监督规则。举例来说,系统可针对得分影响规则利用关于案例的陈述更新历史数据集。在实施例中,用户输入至少一个得分影响规则以将得分调低、调高或以其它方式进行调整(例如,当交易是基于常见模式时)。得分影响规则可指代特定公司数据或仅可适用于特定交易集合。得分影响规则存储在配置文件中。
在图7的步骤706处,可在计算系统中接收包含至少一个或多个已结算交易的数据输入用于产生评分规则。除主体交易信息外,数据输入还可包含与商务卡帐户相关联的相关历史数据,包含以下中的一个或多个:一个或多个商务信用卡帐户的历史交易信息、发票信息和/或发布的信息。所接收输入可包含与当前持卡人或新持卡人相关联的当前交易授权请求。
仍参看图7,在步骤708处,由具备历史数据以变换交易记录的经调适交易数据集限定模型数据。除在步骤708处全部接收的交易外,用于检测异常的建模数据集的产生还进一步基于来自监督得分影响和案例处置配置的反馈。监督数据接着使用数据库服务施加到所提供的历史和/或交易。处置数据可利用存储为所记录交易的属性的标记(例如,标签)进一步优化数据集。得分影响规则产生可用于将记录分组为例如良好或不良的记录的经调整得分。评分模型接收此数据,包含来自旧评分模型的至少一些状态反馈,从而在发生异常检测之前对数据集进行评分。因此,反馈可包含对于系统来说是新的任何信息,以及关于迭代之间已改变的内容的信息。此信息可与数据的任何尺寸、属性或片段相关联。模型评分使用相容案例的属性来找到新异常。
继续参看图7,在步骤710处,系统使用非监督学习算法的组合来通过用用于检测异常的预测模型训练数据集而创建评分模型。使用非监督机器学习发现异常。自动运行的机器学习算法基于所提供历史数据的所计算特征或属性确定离群值和/或概率和机率。机器学习算法使用用于基于属性自动产生交易的标签的性能标注服务器确定异常。在步骤712处执行一个或多个群集建模算法。群集检测由所计算特征或属性限定的交易数据集中的离群值。机器学习过程还包含在步骤714处执行一个或多个概率算法,用于基于数据交易属性的机率建模确定分组和评分规则。概率算法限定一些实施例中使用的机率模型以用于基于属性、特征或属性和特征的组合检测发生的稀有性,且用于对照模型对当前记录进行评分。存储所得特征且将其与训练数据进行比较以形成评分模型。接着存储所得特征且将其与训练数据集进行比较以形成评分模型。
继续参看图7,在步骤716处基于所提供的经调适数据集产生评分模型。评分模型施加到新交易以给出得分和相关联原因代码。可与持卡人案例的类似交易相关联而使用得分。原因代码还与评分交易相关联,且阐释产生得分的属性。评分阶段还可将个别特征或特征的群组识别为原因代码。原因代码的用户定义的列表可引导过程以从商业视角进一步改进所得原因代码的质量。得分由评分模型确定且包含所计算特征或属性。特定针对公司或机构的最常见模式被评分且用于对案例进行标记。评分使用对于评分算法的新数据输入,其中非相容案例被评分且被给定解释用于将案例识别为异常的原因的至少一个相关联原因代码。活动可与帐户相关联,且可使得拒绝、撤回当前已结算交易请求或将其标记为不良。
系统接着在步骤718处被配置成重复模型步骤,因为旧评分模型一个月至少使用一次以利用来自系统的监督状态的自适应学习优化、重建或刷新得分规则。反馈从正常案例消除非相容案例,且影响将来非监督规则得分。数据集包含至少一个未检测到的异常,且移除至少一个先前检测到的异常,借此增加发现剩余案例中的滥用趋势的概率。
现参看图8,展示用于在用于商务卡交易的异常识别方法800中产生反馈的过程流程图。案例呈现系统接收与多个商家相关联的多个非相容评分交易。在图8中,交易数据指代以授权请求或其它结算用途的形式接收的商务卡交易。在步骤802处,训练评分模型。所述模型由输入数据的群体限定用于确定所述群体内实体的特征和实体之间的关系。为了构建模型,机器学习过程测量群体内每一实体的多种特征。还可比较不同实体的特征以确定分段。举例来说,使用根据实体的特征将实体集群在一起的非监督学习过程以及实体或概率之间的关系对案例的分组进行评分,且在一些例子中,确定常见模式。
接下来,且仍参看图8,在步骤806处确定每一已结算交易请求的评分。评分模型步骤用于产生给定交易的模型得分,其与用于对所有特征评分以识别原因代码的特征的评分步骤关联。为了实现模型和特征两者的实时评分,系统事先执行大多数计算。以此方式,系统在两个阶段中操作。还使用用于训练评分模型的可用交易来估计梯度促进模型中的每一树中的每一特征的相对重要性。这仅可确定一次,且其可离线完成。在第二阶段中,当对新交易进行评分时,遍历树以找到最终得分。同时或大体上同时,在遍历树的过程期间更新每一特征的单独得分。此阶段的输出将是模型得分,以及模型中每一特征的得分。特征的得分进行分级,且前K个特征报告为原因代码。作为任选步骤,所提出的解决方案可执行例如特征分组或/和特征排除等额外步骤来定制特定使用案例的原因代码且较好地适合用户的需要。
在评分步骤806中,监督机器学习过程可使用一组群体数据和训练数据中的每一对象的相关联标签,且产生一组逻辑以确定未标记数据的标签。举例来说,某个人可报告特定交易为“欺诈性”或“非欺诈性”的。得分影响规则可包含关于卡简档特性的一个或多个属性或影响调整,所述卡简档特性可确定由相关历史交易限定的预期交易特性。可使用记录的属性限定得分影响,包含公司头衔和阶层层级调整(例如,CEO、VP和工程师)。评分步骤806还包含基于非监督机器学习过程中检测到的异常对原始数据的性能或自动标注(例如,标记)。性能标注可定义为记录的自动机器或计算机实施的标注,而无人为干预。性能标注可将交易记录的属性进一步变换为分类值。举例来说,在第一交易中,确定记录不是离群值,因为不满足阈值。相应地,可指派得分或处置以用于基于所识别的特征得分对记录进行分类。或者,当在记录的属性中的一个或组合中满足阈值时,记录中的字段可标记为离群值,以用于记录的进一步表征。如果某一项目使用性能标注评分为高,则管理员检视性能标签且将所述性能标签评分为不正确的以使得分变低,且在评分模型的下一更新中实行非监督评分。
继续参看图8,在步骤808处,系统接收案例处置数据。建模数据集将以额外信息标记的相容案例和原始且未标记的非相容案例传送到性能标注服务器。配置文件基于相容性检视会话期间的输入。配置文件可包含(例如)案例处置信息和预先配置的规则集中的一个或多个。这些监督学习标记和规则可限定或参考用于使用系统的政策。举例来说,使用系统的每一公司可基于特定准则具有单独的影响规则。举例来说,如果MCC为5812且阈值额小于$5,则得分将为低、相容或良好。在另一公司中,金额可为$10。举例来说,如果金额为$100,则得分可高得多,因此将记录标记为可能的误用和滥用。
在步骤810处,系统自动修改评分模型。在非限制性实施例中,所述系统利用已知和可用的误用和滥用数据来使用非监督机器学习算法进行学习以找到新模式并产生更精确的原因代码。当对于新规则使用自适应反馈以通过利用案例处置数据和影响评分识别良好案例和不良案例的类别而作出新确定时,得分和代码变得更精确。自适应刷新使评分算法预测新异常。
尽管已出于说明的目的而基于当前被视为是最切实可行且优选的实施例详细地描述本发明,但应理解,此类细节仅用于该目的,且本发明不限于所公开的实施例,而是相反,意图涵盖在所附权利要求书的精神和范围内的修改和等效布置。举例来说,应理解,本发明预期,在可能的范围内,任何实施例的一个或多个特征可以与任何其它实施例的一个或多个特征组合。
Claims (22)
1.一种用于从与多个商家相关联的多个交易检测非相容商务卡交易的计算机实施的方法,其包括:
利用至少一个处理器接收商务卡持有人帐户的多个已结算交易;
利用至少一个处理器在对每一已结算交易进行评分时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;
利用至少一个处理器至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;
利用至少一个处理器从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及
至少部分地基于试探法、异常检测和案例处置数据以预定义间隔自动修改所述评分模型。
2.根据权利要求1所述的计算机实施的方法,其中所述至少一个评分模型至少部分地基于基于概率的离群值检测算法和集群算法中的至少一个。
3.根据权利要求1所述的计算机实施的方法,其中接收所述案例处置数据包括:
产生包括所述多个已结算交易的至少一子集的至少一个图形用户界面;以及
经由所述至少一个图形用户界面接收用户输入,所述用户输入包括所述案例处置数据。
4.根据权利要求1所述的计算机实施的方法,其中在接收每一已结算交易时产生所述多个已结算交易的每一已结算交易的所述至少一个得分包括每日或实时产生已结算交易的子集的所述至少一个得分。
5.根据权利要求1所述的计算机实施的方法,其还包括利用至少一个处理器从所述至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的至少一个得分影响规则,其中至少部分地基于所述至少一个得分影响规则修改所述评分模型。
6.根据权利要求5所述的计算机实施的方法,其还包括由案例呈现服务器接收所述得分影响规则,其中将所述得分影响规则指派到第一公司。
7.根据权利要求1所述的计算机实施的方法,其还包括响应于产生每一已结算交易的至少一个得分,利用至少一个处理器确定表示关于特定评分特征的信息的原因代码。
8.根据权利要求7所述的计算机实施的方法,其还包括响应于产生每一已结算交易的至少一个得分,利用至少一个处理器确定表示关于特定评分特征的信息的原因代码,其中对所述得分的贡献由所述原因代码指示。
9.根据权利要求2所述的计算机实施的方法,其中在所述至少一个基于概率的离群值检测算法之前处理所述集群算法,从而提供至少一个评分已结算交易。
10.根据权利要求2所述的计算机实施的方法,其还包括接收针对模型评分的反馈,所述反馈包含以下中的至少一个:得分影响规则、案例处置数据、旧模型得分、新历史数据或其任何组合。
11.根据权利要求10所述的计算机实施的方法,其中所述反馈更新与评分交易相关联的至少一个属性。
12.一种用于从与多个商家相关联的多个交易检测至少一个非相容商务卡交易的系统,其包括具有至少一个处理器的至少一个交易处理服务器,所述至少一个处理器被编程或配置为:
从商家接收商务卡持有人帐户的多个已结算交易;
在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;
至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;
从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;
从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及
至少部分地基于所述试探法和案例处置数据以预定义间隔自动修改所述评分模型。
13.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为至少部分地基于基于概率的离群值检测算法和集群算法中的至少一个对所述至少一个模型进行评分。
14.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为:
产生包括所述多个已结算交易的至少一子集的至少一个图形用户界面;以及
经由所述至少一个图形用户界面接收用户输入,所述用户输入包括所述案例处置数据。
15.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为在接收每一已结算交易时产生所述多个已结算交易的每一已结算交易的至少一个得分,包括每日或实时产生已结算交易的子集的所述至少一个得分。
16.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为从所述至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的至少一个得分影响规则,其中至少部分地基于所述至少一个得分影响规则修改所述评分模型。
17.根据权利要求12所述的系统,其中将所述得分影响规则指派到第一公司。
18.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为响应于产生每一已结算交易的至少一个得分,确定表示关于特定评分特征的信息的原因代码,其中对所述得分的贡献由所述原因代码指示。
19.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为在处理至少一个基于概率的离群值检测算法之前处理所述集群算法,从而提供至少一个评分已结算交易。
20.根据权利要求12所述的系统,其中所述至少一个处理器进一步被编程或配置为包含以下中的至少一个或多个:得分影响规则、案例处置数据、旧模型得分、新历史数据或其任何组合。
21.根据权利要求12所述的计算机实施的方法,其中反馈更新与评分交易相关联的至少一个属性。
22.一种用于处理来自与多个商家相关联的多个交易的非相容商务卡交易的计算机程序产品,其包括包含程序指令的至少一个非暂时性计算机可读介质,所述程序指令在由至少一个处理器执行时使所述至少一个处理器:
从商家销售点系统接收商务卡持有人帐户的多个已结算交易;
在接收每一已结算交易时至少部分地基于至少一个评分模型产生所述多个已结算交易的每一已结算交易的至少一个得分;
至少部分地基于每一已结算交易的所述至少一个得分确定每一已结算交易为相容还是非相容;
从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的得分影响试探法;
从至少一个用户接收对应于所述多个已结算交易的至少一个已结算交易的案例处置数据;以及至少部分地基于所述试探法和案例处置数据以预定义间隔自动修改所述评分模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/612,495 | 2017-06-02 | ||
US15/612,495 US20180350006A1 (en) | 2017-06-02 | 2017-06-02 | System, Method, and Apparatus for Self-Adaptive Scoring to Detect Misuse or Abuse of Commercial Cards |
PCT/US2018/035545 WO2018222959A1 (en) | 2017-06-02 | 2018-06-01 | System, method, and apparatus for self-adaptive scoring to detect misuse or abuse of commercial cards |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110892442A true CN110892442A (zh) | 2020-03-17 |
Family
ID=64455621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880036547.3A Pending CN110892442A (zh) | 2017-06-02 | 2018-06-01 | 用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180350006A1 (zh) |
EP (1) | EP3631749A1 (zh) |
CN (1) | CN110892442A (zh) |
WO (1) | WO2018222959A1 (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016127182A1 (en) * | 2015-02-06 | 2016-08-11 | I Forne Josep Gubau | Managing data for regulated environments |
US10860585B2 (en) | 2017-12-08 | 2020-12-08 | Ensemble Rcm, Llc | Workflow automation through tagging of database records |
US11829866B1 (en) | 2017-12-27 | 2023-11-28 | Intuit Inc. | System and method for hierarchical deep semi-supervised embeddings for dynamic targeted anomaly detection |
US10977243B2 (en) * | 2018-01-22 | 2021-04-13 | Ensemble Rcm, Llc | Processing of transaction records in a database based on reason codes |
US10977239B2 (en) | 2018-02-26 | 2021-04-13 | Ensemble Rcm, Llc | Adapting workflows based on constrained optimizations |
US11010340B2 (en) | 2018-07-09 | 2021-05-18 | Ensemble Rcm, Llc | Adapting workflows based on expected results |
US11562315B2 (en) * | 2018-08-31 | 2023-01-24 | Accenture Global Solutions Limited | Detecting an issue related to a report |
US11232092B2 (en) | 2018-10-29 | 2022-01-25 | Ensemble Rcm, Llc | Workflow automation on policy updates |
US11321632B2 (en) * | 2018-11-21 | 2022-05-03 | Paypal, Inc. | Machine learning based on post-transaction data |
US10929128B2 (en) | 2018-11-29 | 2021-02-23 | Ensemble Rcm, Llc | Vectorization for parsing of complexly structured files |
CA3124470A1 (en) * | 2018-12-20 | 2020-06-25 | Vadim Shteynberg | Gain and loss computation for cryptocurrency transactions |
CN109783052B (zh) * | 2018-12-27 | 2021-11-12 | 深圳市轱辘车联数据技术有限公司 | 数据排序方法、装置、服务器及计算机可读存储介质 |
US11087245B2 (en) | 2019-01-11 | 2021-08-10 | Accenture Global Solutions Limited | Predictive issue detection |
US20200334679A1 (en) * | 2019-04-19 | 2020-10-22 | Paypal, Inc. | Tuning fraud-detection rules using machine learning |
US20220180369A1 (en) * | 2019-06-11 | 2022-06-09 | Nec Corporation | Fraud detection device, fraud detection method, and fraud detection program |
US11676134B2 (en) * | 2019-06-17 | 2023-06-13 | International Business Machines Corporation | Transaction interaction analysis and summarization |
US11372901B2 (en) | 2019-07-01 | 2022-06-28 | Ensemble Rcm, Llc | Customizing modular workflows for processing of database records |
US11074302B1 (en) | 2019-08-22 | 2021-07-27 | Wells Fargo Bank, N.A. | Anomaly visualization for computerized models |
US20210065187A1 (en) * | 2019-08-27 | 2021-03-04 | Coupang Corp. | Computer-implemented method for detecting fraudulent transactions by using an enhanced k-means clustering algorithm |
US11494775B2 (en) * | 2019-09-04 | 2022-11-08 | Walmart Apollo, Llc | Methods and apparatus for payment fraud detection |
US11455638B2 (en) * | 2019-09-04 | 2022-09-27 | Walmart Apollo, Llc | Methods and apparatus for payment fraud detection |
US11605137B2 (en) | 2019-09-11 | 2023-03-14 | Oracle International Corporation | Expense report submission interface |
US11544713B1 (en) * | 2019-09-30 | 2023-01-03 | United Services Automobile Association (Usaa) | Fraud detection using augmented analytics |
US11216751B2 (en) | 2019-10-18 | 2022-01-04 | Capital One Services, Llc | Incremental time window procedure for selecting training samples for a supervised learning algorithm |
US11144935B2 (en) | 2019-10-18 | 2021-10-12 | Capital One Services, Llc | Technique to aggregate merchant level information for use in a supervised learning model to detect recurring trends in consumer transactions |
US11080735B2 (en) * | 2019-10-31 | 2021-08-03 | Dell Products L.P. | System for proactively providing a user with prescriptive remedies in response to a credit card transaction error |
EP4062328A4 (en) * | 2019-11-20 | 2023-08-16 | PayPal, Inc. | PROCEDURE FOR USE OF POST-TRANSACTION DATA FOR PREVIOUS TRANSACTIONS FOR USE OF RECENT TRANSACTION DATA |
US11416925B2 (en) * | 2019-12-30 | 2022-08-16 | Paypal, Inc. | Adaptive system for detecting abusive accounts |
US11403347B2 (en) * | 2020-01-08 | 2022-08-02 | Sap Se | Automated master data classification and curation using machine learning |
EP4118594A4 (en) * | 2020-03-10 | 2023-12-13 | Cxo Nexus | ACCELERATE INTELLIGENT BUSINESS WITH TIMELY VENDOR SPEND ANALYTICS |
CN111429277B (zh) * | 2020-03-18 | 2023-11-24 | 中国工商银行股份有限公司 | 重复交易预测方法及系统 |
US11816550B1 (en) * | 2020-07-20 | 2023-11-14 | Amazon Technologies, Inc. | Confidence score generation for boosting-based tree machine learning models |
US20220027916A1 (en) * | 2020-07-23 | 2022-01-27 | Socure, Inc. | Self Learning Machine Learning Pipeline for Enabling Binary Decision Making |
US20220076139A1 (en) * | 2020-09-09 | 2022-03-10 | Jpmorgan Chase Bank, N.A. | Multi-model analytics engine for analyzing reports |
US11531670B2 (en) | 2020-09-15 | 2022-12-20 | Ensemble Rcm, Llc | Methods and systems for capturing data of a database record related to an event |
EP3979155A1 (en) * | 2020-10-01 | 2022-04-06 | Accenture Global Solutions Limited | Generating a forecast based on multiple time dimensions and machine learning techniques |
US11818147B2 (en) * | 2020-11-23 | 2023-11-14 | Fair Isaac Corporation | Overly optimistic data patterns and learned adversarial latent features |
US11334586B1 (en) | 2021-03-15 | 2022-05-17 | Ensemble Rcm, Llc | Methods and systems for processing database records based on results of a dynamic query session |
US11270230B1 (en) * | 2021-04-12 | 2022-03-08 | Socure, Inc. | Self learning machine learning transaction scores adjustment via normalization thereof |
US11544715B2 (en) | 2021-04-12 | 2023-01-03 | Socure, Inc. | Self learning machine learning transaction scores adjustment via normalization thereof accounting for underlying transaction score bases |
US11798100B2 (en) * | 2021-06-09 | 2023-10-24 | Steady Platform Llc | Transaction counterpart identification |
US20220405477A1 (en) * | 2021-06-17 | 2022-12-22 | Ramp Business Corporation | Real-time named entity based transaction approval |
CN118020088A (zh) * | 2021-09-24 | 2024-05-10 | 维萨国际服务协会 | 用于检测商家数据变动的系统、方法和计算机程序产品 |
WO2023069213A1 (en) * | 2021-10-20 | 2023-04-27 | Visa International Service Association | Method, system, and computer program product for auto-profiling anomalies |
CN115062725B (zh) * | 2022-07-12 | 2023-08-08 | 北京威控科技股份有限公司 | 酒店收益异常分析方法及系统 |
CN117195130B (zh) * | 2023-09-19 | 2024-05-10 | 深圳市东陆高新实业有限公司 | 一种智能一卡通管理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194119A1 (en) * | 2001-05-30 | 2002-12-19 | William Wright | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US20150032589A1 (en) * | 2014-08-08 | 2015-01-29 | Brighterion, Inc. | Artificial intelligence fraud management solution |
CN106682067A (zh) * | 2016-11-08 | 2017-05-17 | 浙江邦盛科技有限公司 | 一种基于交易数据的机器学习反欺诈监测系统 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850606B2 (en) * | 2001-09-25 | 2005-02-01 | Fair Isaac Corporation | Self-learning real-time prioritization of telecommunication fraud control actions |
US6904408B1 (en) * | 2000-10-19 | 2005-06-07 | Mccarthy John | Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators |
US7974892B2 (en) * | 2004-06-23 | 2011-07-05 | Concur Technologies, Inc. | System and method for expense management |
US7562814B1 (en) * | 2003-05-12 | 2009-07-21 | Id Analytics, Inc. | System and method for identity-based fraud detection through graph anomaly detection |
US20070112667A1 (en) * | 2005-10-31 | 2007-05-17 | Dun And Bradstreet | System and method for providing a fraud risk score |
US7941370B2 (en) * | 2006-04-25 | 2011-05-10 | Uc Group Limited | Systems and methods for funding payback requests for financial transactions |
US20100049538A1 (en) * | 2008-08-22 | 2010-02-25 | Durban Frazer | Method and apparatus for selecting next action |
US10346844B2 (en) * | 2008-11-14 | 2019-07-09 | Mastercard International Incorporated | Methods and systems for providing a decision making platform |
US10242540B2 (en) * | 2009-09-02 | 2019-03-26 | Fair Isaac Corporation | Visualization for payment card transaction fraud analysis |
US8458069B2 (en) * | 2011-03-04 | 2013-06-04 | Brighterion, Inc. | Systems and methods for adaptive identification of sources of fraud |
US9032531B1 (en) * | 2012-06-28 | 2015-05-12 | Middlegate, Inc. | Identification breach detection |
JP2015527660A (ja) * | 2012-07-24 | 2015-09-17 | デロイッテ・ディベロップメント・エルエルシー | フロード検出システム方法および装置 |
US20140207674A1 (en) * | 2013-01-24 | 2014-07-24 | Mastercard International Incorporated | Automated teller machine transaction premium listing to prevent transaction blocking |
US20150106260A1 (en) * | 2013-10-11 | 2015-04-16 | G2 Web Services | System and methods for global boarding of merchants |
US20160203490A1 (en) * | 2013-12-10 | 2016-07-14 | Sas Institute Inc. | Systems and Methods for Travel-Related Anomaly Detection |
US20150339673A1 (en) * | 2014-10-28 | 2015-11-26 | Brighterion, Inc. | Method for detecting merchant data breaches with a computer network server |
US9697469B2 (en) * | 2014-08-13 | 2017-07-04 | Andrew McMahon | Method and system for generating and aggregating models based on disparate data from insurance, financial services, and public industries |
US10290001B2 (en) * | 2014-10-28 | 2019-05-14 | Brighterion, Inc. | Data breach detection |
US20150213276A1 (en) * | 2015-02-28 | 2015-07-30 | Brighterion, Inc. | Addrressable smart agent data structures |
US20170236131A1 (en) * | 2015-04-30 | 2017-08-17 | NetSuite Inc. | System and methods for leveraging customer and company data to generate recommendations and other forms of interactions with customers |
WO2017044836A1 (en) * | 2015-09-09 | 2017-03-16 | Pay with Privacy, Inc. | Systems and methods for automatically securing and validating multi-server electronic communications over a plurality of networks |
US10152754B2 (en) * | 2015-12-02 | 2018-12-11 | American Express Travel Related Services Company, Inc. | System and method for small business owner identification |
US20170213223A1 (en) * | 2016-01-21 | 2017-07-27 | American Express Travel Related Services Company, Inc. | System and method for verified merchant industry code assignment |
CA2960145A1 (en) * | 2016-03-04 | 2017-09-04 | Neural Insight Inc. | A process to extract, compare and distill chain-of-events to determine the actionable state of mind of an individual |
US20180144815A1 (en) * | 2016-11-23 | 2018-05-24 | Sas Institute Inc. | Computer system to identify anomalies based on computer generated results |
US20180204280A1 (en) * | 2017-01-17 | 2018-07-19 | Fair Ip, Llc | Rules/Model-Based Data Processing System and Method for User Approval Using Data from Distributed Sources |
US11586960B2 (en) * | 2017-05-09 | 2023-02-21 | Visa International Service Association | Autonomous learning platform for novel feature discovery |
-
2017
- 2017-06-02 US US15/612,495 patent/US20180350006A1/en not_active Abandoned
-
2018
- 2018-06-01 CN CN201880036547.3A patent/CN110892442A/zh active Pending
- 2018-06-01 EP EP18809336.3A patent/EP3631749A1/en not_active Withdrawn
- 2018-06-01 WO PCT/US2018/035545 patent/WO2018222959A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194119A1 (en) * | 2001-05-30 | 2002-12-19 | William Wright | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
US20150032589A1 (en) * | 2014-08-08 | 2015-01-29 | Brighterion, Inc. | Artificial intelligence fraud management solution |
CN106682067A (zh) * | 2016-11-08 | 2017-05-17 | 浙江邦盛科技有限公司 | 一种基于交易数据的机器学习反欺诈监测系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2018222959A1 (en) | 2018-12-06 |
EP3631749A1 (en) | 2020-04-08 |
US20180350006A1 (en) | 2018-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110892442A (zh) | 用于自适应评分以检测商务卡的误用或滥用的系统、方法和设备 | |
US11687938B1 (en) | Reducing false positives using customer feedback and machine learning | |
US20220114676A1 (en) | Methods and systems for automatically detecting fraud and compliance issues in expense reports and invoices | |
US9075848B2 (en) | Methods, systems, and computer program products for generating data quality indicators for relationships in a database | |
Ahmed et al. | A survey of anomaly detection techniques in financial domain | |
Ogwueleka et al. | Neural network and classification approach in identifying customer behavior in the banking sector: A case study of an international bank | |
Tsai et al. | Customer segmentation issues and strategies for an automobile dealership with two clustering techniques | |
US20150317749A1 (en) | System and Method for Characterizing Financial Messages | |
CN112384920A (zh) | 具有自动模糊变量检测功能的保护隐私的图压缩 | |
US20230297552A1 (en) | System, Method, and Computer Program Product for Monitoring and Improving Data Quality | |
Westerski et al. | Explainable anomaly detection for procurement fraud identification—lessons from practical deployments | |
CN114691932A (zh) | 用于生成合成数据的系统、方法和计算机程序产品 | |
Hasheminejad et al. | Clustering of bank customers based on lifetime value using data mining methods | |
US20230360051A1 (en) | Detecting unauthorized online applications using machine learning | |
AU2018306317A1 (en) | System and method for detecting and responding to transaction patterns | |
Mousaeirad | Intelligent vector-based customer segmentation in the banking industry | |
Jurgovsky | Context-aware credit card fraud detection | |
US20220051270A1 (en) | Event analysis based on transaction data associated with a user | |
Xuanyuan et al. | Application of C4. 5 Algorithm in Insurance and Financial Services Using Data Mining Methods | |
Ala et al. | Improving smart deals system to secure human-centric consumer applications: Internet of things and Markov logic network approaches | |
Knuth | Fraud prevention in the B2C e-Commerce mail order business: a framework for an economic perspective on data mining | |
Silva et al. | An outranking multicriteria method for nominal classification problems with minimum performance profiles | |
US20220237618A1 (en) | System for detecting associated records in a record log | |
Caytiles | Analyzing the performance of Various Fraud Detection Techniques | |
Ogundoyin et al. | DESIGN AND SIMULATION OF AN EFFICIENT MODEL FOR CREDIT CARDS FRAUD DETECTION |
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 |