CN112581283A - 商业银行员工交易行为分析及告警的方法及装置 - Google Patents
商业银行员工交易行为分析及告警的方法及装置 Download PDFInfo
- Publication number
- CN112581283A CN112581283A CN202011582802.XA CN202011582802A CN112581283A CN 112581283 A CN112581283 A CN 112581283A CN 202011582802 A CN202011582802 A CN 202011582802A CN 112581283 A CN112581283 A CN 112581283A
- Authority
- CN
- China
- Prior art keywords
- employee
- transaction
- abnormal
- behavior
- transaction 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.)
- Pending
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 454
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 272
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 28
- 238000007726 management method Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 13
- 206010000117 Abnormal behaviour Diseases 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000004900 laundering Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011278 co-treatment Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种商业银行员工交易行为分析及告警的方法及装置，其中该方法包括：根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；在匹配成功时，发出员工交易行为异常的告警信息。本发明可实现对商业银行员工交易行为的自动化分析及告警，提升了商业银行员工交易行为分析及告警的准确度和效率，同时也提升了商业银行的风险预警能力。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及商业银行员工交易行为分析及告警的方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
目前，对商业银行的员工行为进行分析管理是确保银行的制度落实、安全运营、风险防范、员工关爱的基础。进而可对员工行为进行排查，这是强化各级机构、各环节和各岗位风险防控的重要工作，是层层压实案防和风控责任的重要举措。
现阶段，商业银行在员工行为管理方面，存在着如下问题：
1、因员工数量众多，导致在对员工交易行为进行管理时，容易出现数据遗漏和错误的问题；
2、因目前管理手段以手工台账为主，一般需花费大量的人力物力以人工手段对员工交易行为进行分析，导致银行交易行为分析的效率低下，以及商业银行的风险预警能力较差的问题。
因此，如何对商业银行员工的交易行为进行及时分析及告警，成为了各个企业的人力资源管理乃至企业发展中亟待解决的问题之一。
发明内容
本发明实施例提供一种商业银行员工交易行为分析及告警的方法，用以提升商业银行员工交易行为分析及告警的效率和准确度，该方法包括：
根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
在匹配成功时，发出员工交易行为异常的告警信息。
本发明实施例还提供一种商业银行员工交易行为分析及告警的装置，用以提升商业银行员工交易行为分析及告警的效率和准确度，该装置包括：
员工交易属性模型建模模块，用于根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
员工异常交易行为模型建模模块，用于根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
模型匹配模块，用于针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
告警信息发送模块，用于在匹配成功时，发出员工交易行为异常的告警信息。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述商业银行员工交易行为分析及告警的方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述商业银行员工交易行为分析及告警的方法的计算机程序。
本发明实施例中，根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；在匹配成功时，发出员工交易行为异常的告警信息，从而可实现对商业银行员工交易行为的自动化分析及告警，通过针对每一员工建立员工交易属性模型，可避免现有技术下因员工数量基数大易出现数据遗漏和错误的问题，提升了商业银行员工交易行为分析及告警的准确度；与现有技术对比，不再需要结合手工台账以人力方式对银行交易行为分析，从而提升了商业银行员工交易行为分析及告警的效率，同时也提升商业银行的风险预警能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中一种商业银行员工交易行为分析及告警的方法的流程示意图；
图2为本发明实施例中一种商业银行员工交易行为分析及告警的方法的具体示例图；
图3为本发明实施例中一种商业银行员工交易行为分析及告警的方法的具体示例图；
图4为本发明实施例中一种商业银行员工交易行为分析及告警的方法的具体示例图；
图5为本发明实施例中一种商业银行员工交易行为分析及告警的方法的具体示例图；
图6为本发明实施例中一种商业银行员工交易行为分析及告警的装置的结构示意图；
图7为本发明实施例中一种商业银行员工交易行为分析及告警的装置的具体示例图；
图8为本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例中一种商业银行员工交易行为分析及告警的方法的流程示意图，本发明实施例提供的商业银行员工交易行为分析及告警的方法，可以包括：
步骤101：根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
步骤102：根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
步骤103：针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
步骤104：在匹配成功时，发出员工交易行为异常的告警信息。
本发明实施例中，根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；在匹配成功时，发出员工交易行为异常的告警信息，从而可实现对商业银行员工交易行为的自动化分析及告警，通过针对每一员工建立员工交易属性模型，可避免现有技术下因员工数量基数大易出现数据遗漏和错误的问题，提升了商业银行员工交易行为分析及告警的准确度；与现有技术对比，不再需要结合手工台账以人力方式对银行交易行为分析，从而提升了商业银行员工交易行为分析及告警的效率，同时也提升商业银行的风险预警能力。
具体实施时，首先根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；
其中，员工的身份属性参数可以包括员工的身份信息，拟任职务和从事岗位；员工的交易行为参数可以包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；员工交易属性模型可以包括与员工的身份属性参数对应的交易行为参数。
实施例中，员工的身份信息可以包括员工姓名，员工手机号和身份证号；员工的消费金额可以包括对应员工名下每一银行卡进行每一笔消费的消费金额；信用卡使用数据包括信用卡用卡行为信息，如使用信用卡进行消费的时间，地点，消费类型和资金流向；员工的交易行为参数还可以包括员工的过度消费数据。
在上述实施例中，以员工姓名、员工手机号、身份证号、拟任职务、从事岗位等基础数据为支点，多渠道采集的商业银行员工的交易对手信息、过度消费数据、信用卡用卡行为、现金流量和网络平台交易量等交易行为数据，从而可建立对应每一员工的员工交易属性模型，可实现多维度勾勒员工交易行为轮廓的目的。
具体实施时，在根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型后，根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途。
实施例中，根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型，如图2所示，可以包括如下步骤：
步骤201：根据商业银行预设的员工异常交易行为条目，建立员工交易行为数据库；
步骤202：根据建立的员工交易行为数据库，建立员工异常交易行为模型。
实施例中，商业银行预设的员工异常交易行为条目可包括有商业银行内部界定的异常行为条款，员工异常交易行为条目用于描述银行内部何种交易行为为异常交易行为，即该种交易行为涉及的消费金额，信用卡使用数据，现金交易量和网络平台交易量超过预设数值。不同的交易行为对应不同的异常交易行为特征变量，如对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途。例如，异常交易行为可包括员工参与非法集资、融资、地下钱庄活动等违规交易行为，员工涉嫌反洗钱活动的交易行为，员工挪用、盗取客户资金行为的交易行为，员工违规经商办企业等。商业银行预设的员工异常交易行为条目及异常交易行为特征变量可根据工作人员的使用需求自由设定及更新修改。
在上述实施例中，根据商业银行有关员工的行为管理的规定，可实现分析归纳员工可疑的行为特征，进而可系统化定义多种异常行为模型特征变量为员工异常行为“画像”。本发明实施例中在构建员工交易行为数据库后，还可包括：构建员工行为管理的制度库、模型库和评估库。通过基于业务模型进行知识库的结构化设计，可实现业务模型资产装载、数据规则检核的目的，并且了支持业务模型的灵活展现和查询。
具体实施时，在根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型，针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配。
实施例中，针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，如图3所示，可以包括如下步骤：
步骤301：针对每一员工，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配；
步骤302：根据与异常交易行为特征变量匹配成功的交易行为参数，生成员工异常交易行为标签；员工异常交易行为标签包括对应该员工的身份属性参数和出现异常的交易行为参数；
发出员工交易行为异常的告警信息，可以包括：
发出携带有员工异常交易行为标签的员工交易行为异常的告警信息。
实施例中，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配，可以包括：使用透视表，数据分裂、数据去重、数据分类汇总等手段，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一筛选、排序、关联，并通过有效的数据分析抓取疑点信息。
在上述实施例中，通过将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配，可确定出员工交易属性模型中交易行为参数中是否存在与异常交易行为特征变量匹配的交易行为参数。在员工交易属性模型中交易行为参数中存在与异常交易行为特征变量匹配的交易行为参数时，则可确定该员工发生了异常交易行为；通过根据与异常交易行为特征变量匹配成功的交易行为参数，生成员工异常交易行为标签，可实现对员工异常交易行为的快速定位，可明确展示区员工异常交易行为所对应的交易信息，如交易渠道、交易金额，交易平台和交易资金来源等。
举一例，如员工参与非法集资、融资、地下钱庄活动等违规行为，或员工涉嫌反洗钱活动，或员工实施了挪用、盗取客户资金行为，或员工违规经商办企业行为等。通过将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，可及时确定员工是否发生上述异常交易行为，具体为：从员工交易对手、贷款消费、信用卡用卡行为、现金流量、网络平台交易量、正常收支比等特征变量可锁定可疑的交易线索，为员工的异常交易行为贴标签。
具体实施时，在针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配后，在匹配成功时，发出员工交易行为异常的告警信息。
实施例中，通过发送员工交易行为异常的告警信息，有助于银行相关工作人员对员工异常交易行为的及时发现，可有效保护银行的资金安全，提升了银行系统的安全性，可对员工异常交易行为进行即时定位，提升了异常交易行为识别的智能化水平。
实施例中，告警处理人员可以根据告警信息对员工异常交易行为进行定位，并进行异常处理，当存在过多的重复告警时，将会降低告警处理人员的处理效率。本发明实施例还可以包括：从获取的告警信息中选取任意一个告警信息，然后确定选取的告警信息中的关键特征信息，通过该关键特征信息可以确定唯一告警信息，例如关键特征信息包括员工异常交易行为对应的工的身份属性参数和交易行为参数；根据确定的关键特征信息判断其他的告警信息是否也包含有该相同的关键特征信息，最后，将确定为具有相同关键特征信息的告警信息认定为重复告警信息，可以对多个重复告警信息进行过滤操作，只保留一个告警信息。可以使得告警处理人员能够快速完成告警处理，提升工作效率。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，还可以包括：在建立对应每一员工的员工交易属性模型前，通过大数据技术，获取对应不同员工的身份属性参数和交易行为参数；员工的交易行为参数还包括员工的交易对手信息和过往收支比例信息。
在上述实施例中，通过充分运用大数据技术，可实现对不同员工的身份属性参数和交易行为参数进行即时高效获取的目的，有助于在后续步骤中建立对应每一员工的员工交易属性模型，以及对每一员工的员工交易属性模型进行更新迭代。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，如图4所示，还可以包括如下步骤：
步骤401：在建立对应每一员工的员工交易属性模型后，持续获取对应不同员工的身份属性参数和交易行为参数；
步骤402：根据持续获取的对应不同员工的身份属性参数和交易行为参数，对每一员工的员工交易属性模型进行更新迭代。
在上述实施例中，通过对每一员工的员工交易属性模型进行更新迭代，有助于完善建立的对应每一员工的员工交易属性模型，提升每一员工的员工交易属性模型对每一员工画像的准确性，同时有助于在后续步骤中针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，提升商业银行员工交易行为分析及告警的效率和准确度。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，还可以包括：以预设置的周期，对员工异常交易行为标签进行扫描，生成员工异常交易行为的数据清单。
实施例中，以预设置的周期，对员工异常交易行为标签进行扫描，生成员工异常交易行为的数据清单，有助于银行系统对员工异常交易行为标签，进行按日批量筛查特征变量命中的疑点数据；形成的包含疑点数据的数据清单，可支持历史数据深度分析，有助于工作人员清晰明了地了解员工的异常交易行为，提升了对员工的异常交易行为定位的准确性。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，如图5所示，还可以包括如下步骤：
步骤501：在发出员工交易行为异常的告警信息后，接收该告警信息的处理结果；
步骤502：根据该告警信息的处理结果，对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果进行核查。
在上述实施例中，实现了发现疑点、调查核实、移交处置的完整流程；通过行为数据的共治共享，可多渠道采集整合的员工的异常交易行为数据，实现了多维度分析抓取疑点信息，以及差别化核查排查分析的目的，提高了员工异常行为画像的智能化和精准度。同时，通过对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果进行核查，可有助于形成商业银行统一的问题下发、核查和反馈的流程，推动员工行为管理模式由分散向集中的转变。本发明实施例通过统一异常行为事件的告警及案件处理流程，实现了对各类风险的统一处置。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，还可以包括：将员工交易行为异常的告警信息，该告警信息的处理结果和对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果的核查结果发送至移动终端。
实施例中，通过将员工交易行为异常的告警信息，该告警信息的处理结果和对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果的核查结果发送至移动终端，可实现对员工交易行为异常的告警信息，该告警信息的处理结果和对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果的核查结果的便捷显示，可使相关工作人员及时发现和处理告警信息，从而提升了员工行为管理的自动化水平；
进一步地，将日常管理、合规教育、违规发现、违规处置、问题整改等工作流程电子化，手机APP版本与网页版本结合，一键履职等功能的开发，提升了工作便捷性。
在上述实施例中，全程可通过“数据集散地”平台进行线上作业，严格落实“接收基础数据”、“下发疑点数据”、“收集核查反馈结果”等环节的数据安全管理要求，确保员工及客户信息不外泄。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，还可以包括：以预设置的数据获取周期和数据类别，对员工交易属性模型和员工异常交易行为模型，以及员工交易属性模型与员工异常交易行为模型的匹配结果，进行数据展示。
实施例中，可通过预设置的数据展示规则引擎实现数据展示的目的；通过权限配置和用户自主选择的数据获取周期(如数据报告期)和数据类别等，可为用户进行个性化展示数据报表视图。可为不同用户展示不同机构维度的灵活数据视图，可配置的预定义指标，为用户展示权限范围内的数视图据，使统计数据的各项指标更为直观。
在上述实施例中，通过规则引擎可实现员工行为数据的动态定义和可视化实现，有助于工作人员更加直观地查看员工交易属性模型和员工异常交易行为模型，以及员工交易属性模型与员工异常交易行为模型的匹配结果，提升了银行工作人员的工作效率。本发明实施例通过统一的员工行为管理监测成果展示，可有助于构建员工行为档案，共享风险信息，提升了银行风险管理的安全程度。
具体实施时，本发明实施例提供的商业银行员工交易行为分析及告警的方法，还可以包括：
根据商业银行员工的身份属性参数和交易行为参数，建立离线策略实验室。
实施例中，离线策略实验室具有数据支撑，工具支撑和模型共享的功能，具体如下：
数据支撑：每日自动同步客户信息数据、业务流程数据构建准生产的数据环境，并保留了足够量的历史数据，为模型挖掘建模提供数据支撑；
工具支撑：在实验室中，搭建了基于SAS、TD Aster、Python等大数据分析工具平台，为模型挖掘建模，知识图谱的构建和数据探索分析提供了工具支持。
模型共享：在实验室中，建立的人员管理、模型管理、数据共享、成果共享等一套管理机制，实现业务自主模型挖掘分析机制以及分行间模型交流共享平台。
1、数据支撑可实现对异常交易行为案例的自动收集：收集的案例来自本行业、本机构发生或发现的典型案例，风险信息应当与当前人员合规管理发展变化相吻合，并具有一定的前瞻性。相关案例应当至少体现合规管理的主要特征，具有较强的代表性、规律性和普遍性。
2、特征分析，收集具有行业普遍性、典型特征的案例；分行本机构个性化特点的案例分享；并对案例进行分析，归纳、总结：
对所收集的案例，应当以员工为监测单位，从员工的身份、行为、及其交易的资金来源、金额、频率、流向、性质等方面，抽象出案例中具有典型代表性、规律性或普遍适用性的可识别异常特征，分析维度包括但不限于：
a、员工身份。具有典型可识别的特征包括所处地域、年龄、职业、联系方式、收入(财富)主要来源、交易的实际受益人等；
b、员工行为。具有典型可识别的特征包括员工对某些业务和产品的偏好、对某些交易渠道的偏好、金融服务使用的偏好、故意掩饰和隐瞒等行为特征；
c、交易特征。具有典型可识别的特征包括资金来源、交易时间、交易流量、交易频率、交易流向等特征；
3、特征指标化
将收集案例中可识别的特征抽取和量化，设计出可识别、可衡量或可反映案例中异常特征的指标，包括但不限于指标代码、指标名称、指标规则、指标阈值等形式要件
指标模型化：将反映特定类型的不同指标排列组合形成模型，实现对合规管理具有指向性的监测，指标和模型可独立或组合运用。模型可运用于监测涉及面宽、相对复杂隐蔽、员工及其交易可疑特征较为典型的活动。
模型构建后需要进一步建立模型验证与持续优化机制，模型的验证有助于持续关注监控模型对于可疑交易的识别是否有效，模型的验证是对模型开发与管理一系列工作的复核与评价，包含：模型开发基础、开发过程、模型表现对标、模型持续管理等方面。
在上述实施例中，提供集中的数据分析及研发环境，实现基础风险信息共享。
下面给出一个具体实施例，来说明本发明的方法的具体应用，该实施例中，可以包括如下步骤：
(1)数据联动引领，聚合员工行为信息
充分运用大数据技术，以员工姓名、员工手机号、身份证号、拟任职务、从事岗位等基础数据为支点，多渠道采集员工交易对手、过度消费、信用卡用卡行为、现金流量、网络平台交易量、正常收支比例等交易行为数据，多维度勾勒员工交易行为轮廓；
以员工交易对手、过度消费、信用卡用卡行为、现金流量、网络平台交易量、正常收支比例等可疑交易参数为点，聚点为线，多维度勾勒员工可疑交易轮廓，运用稽核手段，深入排查员工违规、违纪行为。
(2)提取异常特征，形成特征变量
根据商业银行有关员工行为管理的规定，分析归纳员工可疑行为特征，系统化定义异常行为模型特征变量为员工异常行为“画像”。
系统按日批量筛查特征变量命中的疑点数据，形成疑点数据清单，支持历史数据深度分析。
其中，异常交易行为举例如下：
a、员工参与非法集资、融资、地下钱庄活动等违规行为：员工参与大额风险投资活动、员工参与非法集资行为(交易对手较多且具有集中收集资金或集中付出资金等交易特征)；
b、员工涉嫌反洗钱活动行为：反洗钱监测系统中涉及赌博、传销、集资、毒品犯罪等可疑客户与我行员工有资金往来，或者我行员工在反洗钱可疑客户名单中；
c、员工挪用、盗取客户资金行为：员工使用自己手机为他人签约电子银行、员工利用名下账户进行客户资金归集、员工归集客户资金购买理财产品代客理财；
(3)疑点数据核查
可形成一套可用于商业银行中统一的问题下发、核查和反馈流程，推动员工行为管理模式由分散向集中的转变。
基于员工异常行为“画像”(即员工异常交易行为模型)，从员工交易对手、贷款消费、信用卡用卡行为、现金流量、网络平台交易量、正常收支比等方面锁定可疑交易线索，为员工异常行为“贴标签”(即将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配)：
1、排查员工参与非法集资、融资、地下钱庄活动等异常交易行为：筛选单笔交易金额>＝100万元，涉及“基金”、“股票”、“期货”、“股权”、“小额贷款”、“金融”、“担保”、“信托”、“保证金”、“房地产”等交易场景，交易对手大于等于30个的交易数据；
2、排查员工涉嫌反洗钱活动异常行为：筛选单笔交易金额>＝1000元且交易对手为合规管理部门提供的反洗钱可疑客户的交易明细；
3、排查员工代客签约异常行为：筛选个人客户电子银行签约电话与员工手机号相同的数据，签约类型选“电话银行”、“网上银行”、“手机银行”、“短信渠道”；
4、排查员工违规经商办企业异常行为：
一是筛选单笔交易金额>＝1000元且对方户名为单位客户的交易数据；
二是筛选单位组织关系关联人身份证号与员工身份证号相同的数据(排除委贷基金账户)；
三是筛选单位授权代理人身份证号与员工身份证号相同的数据；
四是筛选会计集中对账系统对账客户信息。结合疑点数据，排查员工是否存在经商办企业等违规情况；
举一实例：员工擅自在其他经济实体中兼职，信用卡资金用于投资理财、归还网络贷款：
某员工XXX通过信用卡刷卡消费24笔累计约24万元，刷卡消费金额为其工资收入的3倍以上。通过将该员工的员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，确定该员工交易行为异常；
发出该员工交易行为异常的告警信息，该告警信息中包括对该员工异常交易行为的具体参数，如该员工存在利用本人控制银行卡，参与家人在经营活动中的资金结算业务，以及信用卡资金用于投资理财、归还网络贷款的违规行为。
另举一实例：员工用快贷资金归还网络贷款、信用卡欠款，信用卡资金流入房市
某员工通过信用卡刷卡或小额贷款公司、微粒贷等网络平台贷款，累计贷款金额约54.22万元(超过工资收入的4倍)。通过将该员工的员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，确定该员工交易行为异常；
发出该员工交易行为异常的告警信息，该告警信息中包括对该员工异常交易行为的具体参数，如该员工存在提取快贷资金归还微粒贷和信用卡欠款；在房地产公司进行信用卡刷卡；通过“微粒贷”进行网络借贷后，资金用于归还信用卡及快贷资金等违规行为。
相关工作人员在该告警信息进行处理后，得出如下处理结果：鉴于该成员严重违规行为，已给予其警告处分。
(4)数据展示
通过权限配置和用户自主选择数据报告期、数据类别等，为用户进行个性化展示数据报表视图。可为不同用户展示不同机构维度的灵活数据视图，可配置的预定义指标，为用户展示权限范围内的数视图据，统计数据的各项指标更为直观。
当然，可以理解的是，上述详细流程还可以有其他变化例，相关变化例均应落入本发明的保护范围。
本发明实施例中，根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；在匹配成功时，发出员工交易行为异常的告警信息，从而可实现对商业银行员工交易行为的自动化分析及告警，通过针对每一员工建立员工交易属性模型，可避免现有技术下因员工数量基数大易出现数据遗漏和错误的问题，提升了商业银行员工交易行为分析及告警的准确度；与现有技术对比，不再需要结合手工台账以人力方式对银行交易行为分析，从而提升了商业银行员工交易行为分析及告警的效率，同时也提升商业银行的风险预警能力。
本发明实施例中还提供了一种商业银行员工交易行为分析及告警的装置，如下面的实施例。由于该装置解决问题的原理与商业银行员工交易行为分析及告警的方法相似，因此该装置的实施可以参见商业银行员工交易行为分析及告警的方法的实施，重复之处不再赘述。
图6为本发明实施例中一种商业银行员工交易行为分析及告警的装置的结构示意图，如图6所示，本发明实施例提供的商业银行员工交易行为分析及告警的装置，可以包括：
员工交易属性模型建模模块01，用于根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
员工异常交易行为模型建模模块02，用于根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
模型匹配模块03，用于针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
告警信息发送模块04，用于在匹配成功时，发出员工交易行为异常的告警信息。
在一个实施例中，如图7所示，还包括：数据获取模块05，用于：
在员工交易属性模型建模模块建立对应每一员工的员工交易属性模型前，通过大数据技术，获取对应不同员工的身份属性参数和交易行为参数；员工的交易行为参数还包括员工的交易对手信息和过往收支比例信息。
在一个实施例中，还包括：员工交易属性模型更新迭代模块，用于：
在员工交易属性模型建模模块建立对应每一员工的员工交易属性模型后，持续获取对应不同员工的身份属性参数和交易行为参数；
根据持续获取的对应不同员工的身份属性参数和交易行为参数，对每一员工的员工交易属性模型进行更新迭代。
在一个实施例中，员工异常交易行为模型建模模块，具体用于：
根据商业银行预设的员工异常交易行为条目，建立员工交易行为数据库；
根据建立的员工交易行为数据库，建立员工异常交易行为模型。
在一个实施例中，模型匹配模块，具体用于：
针对每一员工，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配；
根据与异常交易行为特征变量匹配成功的交易行为参数，生成员工异常交易行为标签；员工异常交易行为标签包括对应该员工的身份属性参数和出现异常的交易行为参数；
告警信息发送模块，具体用于：
发出携带有员工异常交易行为标签的员工交易行为异常的告警信息。
在一个实施例中，还包括：数据清单生成模块，用于：以预设置的周期，对员工异常交易行为标签进行扫描，生成员工异常交易行为的数据清单。
在一个实施例中，还包括：核查模块，用于：
在发出员工交易行为异常的告警信息后，接收该告警信息的处理结果；
根据该告警信息的处理结果，对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果进行核查。
在一个实施例中，还包括：数据展示模块，用于：
以预设置的数据获取周期和数据类别，对员工交易属性模型和员工异常交易行为模型，以及员工交易属性模型与员工异常交易行为模型的匹配结果，进行数据展示。
本发明实施例还提供一种计算机设备，图8为本发明实施例中计算机设备的示意图，该计算机设备能够实现上述实施例中的商业银行员工交易行为分析及告警的方法中全部步骤，该计算机设备具体包括如下内容：
处理器(processor)801、
存储器(memory)802、
通信接口(Communications Interface)803和通信总线804；
其中，所述处理器801、存储器802、通信接口803通过所述通信总线804完成相互间的通信；所述通信接口803用于实现相关设备之间的信息传输；
所述处理器801用于调用所述存储器802中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的商业银行员工交易行为分析及告警的方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述商业银行员工交易行为分析及告警的方法的计算机程序。
本发明实施例中，根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；在匹配成功时，发出员工交易行为异常的告警信息，从而可实现对商业银行员工交易行为的自动化分析及告警，通过针对每一员工建立员工交易属性模型，可避免现有技术下因员工数量基数大易出现数据遗漏和错误的问题，提升了商业银行员工交易行为分析及告警的准确度；与现有技术对比，不再需要结合手工台账以人力方式对银行交易行为分析，从而提升了商业银行员工交易行为分析及告警的效率，同时也提升商业银行的风险预警能力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (18)
1.一种商业银行员工交易行为分析及告警的方法，其特征在于，包括：
根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
在匹配成功时，发出员工交易行为异常的告警信息。
2.如权利要求1所述的方法，其特征在于，还包括：
在建立对应每一员工的员工交易属性模型前，通过大数据技术，获取对应不同员工的身份属性参数和交易行为参数；所述员工的交易行为参数还包括员工的交易对手信息和过往收支比例信息。
3.如权利要求1所述的方法，其特征在于，还包括：
在建立对应每一员工的员工交易属性模型后，持续获取对应不同员工的身份属性参数和交易行为参数；
根据持续获取的对应不同员工的身份属性参数和交易行为参数，对每一员工的员工交易属性模型进行更新迭代。
4.如权利要求1所述的方法，其特征在于，根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型，包括：
根据商业银行预设的员工异常交易行为条目，建立员工交易行为数据库；
根据建立的员工交易行为数据库，建立员工异常交易行为模型。
5.如权利要求1所述的方法，其特征在于，针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配，包括：
针对每一员工，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配；
根据与异常交易行为特征变量匹配成功的交易行为参数，生成员工异常交易行为标签；所述员工异常交易行为标签包括对应该员工的身份属性参数和出现异常的交易行为参数；
发出员工交易行为异常的告警信息，包括：
发出携带有员工异常交易行为标签的员工交易行为异常的告警信息。
6.如权利要求5所述的方法，其特征在于，还包括：以预设置的周期，对员工异常交易行为标签进行扫描，生成员工异常交易行为的数据清单。
7.如权利要求1所述的方法，其特征在于，还包括：在发出员工交易行为异常的告警信息后，接收该告警信息的处理结果；
根据该告警信息的处理结果，对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果进行核查。
8.如权利要求1所述的方法，其特征在于，还包括：以预设置的数据获取周期和数据类别，对员工交易属性模型和员工异常交易行为模型，以及员工交易属性模型与员工异常交易行为模型的匹配结果，进行数据展示。
9.一种商业银行员工交易行为分析及告警的装置，其特征在于，包括：
员工交易属性模型建模模块，用于根据商业银行员工的身份属性参数和交易行为参数，建立对应每一员工的员工交易属性模型；所述员工的身份属性参数包括员工的身份信息，拟任职务和从事岗位；所述员工的交易行为参数包括员工的消费金额，信用卡使用数据，现金交易量和网络平台交易量；所述员工交易属性模型包括与员工的身份属性参数对应的交易行为参数；
员工异常交易行为模型建模模块，用于根据商业银行预设的员工异常交易行为条目，建立员工异常交易行为模型；所述员工异常交易行为模型包括与不同员工异常交易行为条目对应的异常交易行为特征变量；所述异常交易行为特征变量包括对应异常交易行为的交易渠道，交易金额，交易平台，交易资金来源和交易资金用途；
模型匹配模块，用于针对每一员工，将员工交易属性模型，与员工异常交易行为模型中的异常交易行为特征变量进行匹配；
告警信息发送模块，用于在匹配成功时，发出员工交易行为异常的告警信息。
10.如权利要求9所述的装置，其特征在于，还包括：数据获取模块，用于：
在员工交易属性模型建模模块建立对应每一员工的员工交易属性模型前，通过大数据技术，获取对应不同员工的身份属性参数和交易行为参数；所述员工的交易行为参数还包括员工的交易对手信息和过往收支比例信息。
11.如权利要求9所述的装置，其特征在于，还包括：员工交易属性模型更新迭代模块，用于：
在员工交易属性模型建模模块建立对应每一员工的员工交易属性模型后，持续获取对应不同员工的身份属性参数和交易行为参数；
根据持续获取的对应不同员工的身份属性参数和交易行为参数，对每一员工的员工交易属性模型进行更新迭代。
12.如权利要求9所述的装置，其特征在于，员工异常交易行为模型建模模块，具体用于：
根据商业银行预设的员工异常交易行为条目，建立员工交易行为数据库；
根据建立的员工交易行为数据库，建立员工异常交易行为模型。
13.如权利要求9所述的装置，其特征在于，模型匹配模块，具体用于：
针对每一员工，将员工交易属性模型中交易行为参数，与员工异常交易行为模型中的异常交易行为特征变量进行逐一匹配；
根据与异常交易行为特征变量匹配成功的交易行为参数，生成员工异常交易行为标签；所述员工异常交易行为标签包括对应该员工的身份属性参数和出现异常的交易行为参数；
告警信息发送模块，具体用于：
发出携带有员工异常交易行为标签的员工交易行为异常的告警信息。
14.如权利要求13所述的装置，其特征在于，还包括：数据清单生成模块，用于：以预设置的周期，对员工异常交易行为标签进行扫描，生成员工异常交易行为的数据清单。
15.如权利要求9所述的装置，其特征在于，还包括：核查模块，用于：
在发出员工交易行为异常的告警信息后，接收该告警信息的处理结果；
根据该告警信息的处理结果，对员工交易属性模型与员工异常交易行为模型中的异常交易行为特征变量的匹配结果进行核查。
16.如权利要求9所述的装置，其特征在于，还包括：数据展示模块，用于：
以预设置的数据获取周期和数据类别，对员工交易属性模型和员工异常交易行为模型，以及员工交易属性模型与员工异常交易行为模型的匹配结果，进行数据展示。
17.一种计算机设备，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计算机程序时实现权利要求1至8任一所述方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至8任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011582802.XA CN112581283A (zh) | 2020-12-28 | 2020-12-28 | 商业银行员工交易行为分析及告警的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011582802.XA CN112581283A (zh) | 2020-12-28 | 2020-12-28 | 商业银行员工交易行为分析及告警的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112581283A true CN112581283A (zh) | 2021-03-30 |
Family
ID=75140314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011582802.XA Pending CN112581283A (zh) | 2020-12-28 | 2020-12-28 | 商业银行员工交易行为分析及告警的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581283A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095841A (zh) * | 2021-05-06 | 2021-07-09 | 中国银行股份有限公司 | 交易识别方法、装置、电子设备及存储介质 |
| CN114912678A (zh) * | 2022-05-10 | 2022-08-16 | 国网江苏省电力有限公司苏州供电分公司 | 电网调控异常操作在线自动检测预警方法及系统 |
| TWI782832B (zh) * | 2021-12-22 | 2022-11-01 | 玉山綜合證券股份有限公司 | 輔助稽核人員稽核跟單交易的系統及方法 |
| CN115713233A (zh) * | 2022-11-15 | 2023-02-24 | 华中科技大学同济医学院附属协和医院 | 基于用户数据存储的数据分析及融合系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090125369A1 (en) * | 2007-10-26 | 2009-05-14 | Crowe Horwath Llp | System and method for analyzing and dispositioning money laundering suspicious activity alerts |
| CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
| CN110955842A (zh) * | 2019-12-03 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种异常访问行为识别方法及装置 |
| CN111861281A (zh) * | 2020-08-05 | 2020-10-30 | 中国银行股份有限公司 | 基于知识图谱的风险员工发现方法及装置 |
-
2020
- 2020-12-28 CN CN202011582802.XA patent/CN112581283A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090125369A1 (en) * | 2007-10-26 | 2009-05-14 | Crowe Horwath Llp | System and method for analyzing and dispositioning money laundering suspicious activity alerts |
| CN106803168A (zh) * | 2016-12-30 | 2017-06-06 | 中国银联股份有限公司 | 一种异常转账侦测方法和装置 |
| CN110955842A (zh) * | 2019-12-03 | 2020-04-03 | 支付宝(杭州)信息技术有限公司 | 一种异常访问行为识别方法及装置 |
| CN111861281A (zh) * | 2020-08-05 | 2020-10-30 | 中国银行股份有限公司 | 基于知识图谱的风险员工发现方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095841A (zh) * | 2021-05-06 | 2021-07-09 | 中国银行股份有限公司 | 交易识别方法、装置、电子设备及存储介质 |
| TWI782832B (zh) * | 2021-12-22 | 2022-11-01 | 玉山綜合證券股份有限公司 | 輔助稽核人員稽核跟單交易的系統及方法 |
| CN114912678A (zh) * | 2022-05-10 | 2022-08-16 | 国网江苏省电力有限公司苏州供电分公司 | 电网调控异常操作在线自动检测预警方法及系统 |
| CN115713233A (zh) * | 2022-11-15 | 2023-02-24 | 华中科技大学同济医学院附属协和医院 | 基于用户数据存储的数据分析及融合系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aloosh et al. | Direct evidence of bitcoin wash trading | |
| CN112581283A (zh) | 商业银行员工交易行为分析及告警的方法及装置 | |
| EP2555153A1 (en) | Financial activity monitoring system | |
| US20120150786A1 (en) | Multidimensional risk-based detection | |
| Guo et al. | Artificial intelligence and financial technology FinTech: How AI is being used under the pandemic in 2020 | |
| CN110852878B (zh) | 一种可信度确定方法、装置、设备和存储介质 | |
| CN111127200A (zh) | 反洗钱可疑交易监测方法及装置 | |
| KR20090042818A (ko) | 카드 기반 프로그램에서 준수 제어 | |
| SG193866A1 (en) | Event processing for detection of suspicious financial activity | |
| WO2015056256A1 (en) | Method of automating a business loan life cycle | |
| US8429050B2 (en) | Method for detecting ineligibility of a beneficiary and system | |
| CN112598513B (zh) | 识别股东风险交易行为的方法及装置 | |
| CN117371956A (zh) | 项目数字化监管平台 | |
| Antonio | The Effectiveness of Continuous Auditing Implementation: Developing Automated Audit Systems for Fraud and Error Detections | |
| CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
| AKINTOYE | Effect of information communication and technology services on the private sector practices: Evidence from the Nigerian manufacturing, trade and financial sectors | |
| CN113095676A (zh) | 生产事件风险等级的获取方法、装置、设备、介质 | |
| Oliverio et al. | A hybrid model for fraud detection on purchase orders | |
| Antonio | Continuous auditing: Developing automated audit systems for fraud and error detections | |
| Singh | A conceptual model for proactive detection of potential fraud enterprise systems: exploiting SAP audit trails to detect asset misappropriation | |
| CN111626703A (zh) | 基于条目式的记事记账计数计件项目管理系统 | |
| Aprillia et al. | The Relationship Between Internal Control And Compensation Appropriateness For Accounting Fraudulent Actions In Retail Companies | |
| CN109858864A (zh) | 一种面向借贷业务的客户管理系统 | |
| Hawlova | Fraud detection tools | |
| Wendy Morton-Huddleston CGFM et al. | Rolling the Dice with that Government Card? Not So Fast |
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 |