CN112766974A - 风险账户识别方法、装置、计算机设备和存储介质 - Google Patents
风险账户识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112766974A CN112766974A CN202110070331.2A CN202110070331A CN112766974A CN 112766974 A CN112766974 A CN 112766974A CN 202110070331 A CN202110070331 A CN 202110070331A CN 112766974 A CN112766974 A CN 112766974A
- Authority
- CN
- China
- Prior art keywords
- account
- risk
- opening
- account opening
- data
- 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 64
- 238000012790 confirmation Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 14
- 238000012550 audit Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004900 laundering Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及一种风险账户识别方法、装置、计算机设备和存储介质。所述方法包括：获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果；反馈开户风险识别结果。本申请的风险账户识别方法，通过在企业用户开户时就将账户开户资料以及相应的关联账户信息作为识别数据，通过预设开户风险预警模型进行相应的开户风险识别，从而进行风险账户的事前的预警，从源头上杜绝风险账户的开立、激活使用。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种风险账户识别方法、装置、计算机设备和存储介质。
背景技术
随着互联网技术的发展，基于互联网的金融技术也在不断蓬勃发展。目前，对于企业的银行账户，由于实行企业自主申报制度且开户审核手续简化，一些不法分子更容易在此基础上进行金融违规操作，如自行或雇佣他人注册大量空壳公司并进行多头开户，开展违规洗钱、诈骗资金转移等违法犯罪活动，导致账户风控形势较为严峻。
然而，目前的风险账户识别方式一般都是在账户建立之后，在账户运营期间对风险账户进行识别，导致风险账户一般是在风险情况发生之后才被识别出来，而无法从开户源头上堵截高风险账户开立，从而造成金融风险。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在账户开户阶段对风险账户进行识别的风险账户识别方法、装置、计算机设备和存储介质。
一种风险账户识别方法，所述方法包括：
获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
反馈所述开户风险识别结果。
在其中一个实施例中，所述反馈所述风险识别结果之后，还包括：
接收所述风险识别结果对应的开户审核确认信息；
当所述开户审核确认信息表征同意开户时，建立所述企业用户的账户开户资料对应的新开户账户。
在其中一个实施例中，所述建立所述企业用户的账户开户资料对应的账户信息之后，还包括：
当到达预设复核时间节点时，获取所述新开户账户对应的账户运行信息；
提取账户运行信息对应的账户交易特征以及账户行为特征；
将所述账户交易特征以及所述账户行为特征输入预设复核风险预警模型，获取所述新开户账户对应的复核风险识别结果；
当所述复核风险识别结果表征所述新开户账户为风险账户时，反馈所述复核风险识别结果。
在其中一个实施例中，当所述复核风险识别结果表征所述新开户账户为风险账户时，反馈所述复核风险识别结果包括：
当所述复核风险识别结果表征所述新开户账户为风险账户时，查找所述新开户账户对应的关联系统以及关联终端；
反馈所述复核风险识别结果至所述关联系统以及所述关联终端。
在其中一个实施例中，所述反馈所述风险识别结果之后，还包括：
当所述开户审核确认信息表征开户失败时，根据所述账户开户资料更新所述预设高风险客户数据库。
在其中一个实施例中，所述反馈所述风险识别结果之后，还包括：
当所述开户审核确认信息表征开户失败时，反馈所述账户开户资料对应的关联账户信息。
一种风险账户识别装置，所述装置包括：
请求获取模块，用于获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
信息查询模块，用于从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
风险识别模块，用于将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
结果反馈模块，用于反馈所述开户风险识别结果。
在其中一个实施例中，还包括账户新建模块，用于：接收所述风险识别结果对应的开户审核确认信息；当所述开户审核确认信息表征同意开户时，建立所述企业用户的账户开户资料对应的新开户账户。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
反馈所述开户风险识别结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
反馈所述开户风险识别结果。
上述风险账户识别方法、装置、计算机设备和存储介质，通过获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果；反馈开户风险识别结果。本申请的风险账户识别方法，通过在企业用户开户时就将账户开户资料以及相应的关联账户信息作为识别数据，通过预设开户风险预警模型来进行相应的开户风险识别，从而进行风险账户新建过程的事前的预警，从源头上杜绝风险账户的开立、激活使用。
附图说明
图1为一个实施例中风险账户识别方法的应用环境图；
图2为一个实施例中风险账户识别方法的流程示意图；
图3为一个实施例中新建新开户账户步骤的流程示意图；
图4为一个实施例中对新开户账户进行风险复核步骤的流程示意图；
图5为一个实施例中风险账户识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的风险账户识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102方的开户人员在接到企业用户的开户请求后，在新建账户的过程中，为了对当前待开户账户的风险进行识别，可以通过向服务器104发送相应的风险账户识别请求，并提供风险账户识别请求对应的账户开户资料来对开户风险进行识别。服务器104获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果，；反馈开户风险识别结果至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种风险账户识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤201，获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料。
其中，风险账户识别请求由终端102发送给到服务器104端，用于请求服务器104进行相应的风险账户识别。该风险账户识别的目的在于识别企业用户的开户申请是否存在风险，而识别所用到的基础数据包括了账户开户资料，账户开户资料为企业用户在开户时填写的开户申请书内的信息，以及根据这些信息查找到的相关信息。具体包括了账户用途、企业名称、经营地址、企业法人、企业股东信息、经办人信息以及企业的历史开户数据等各种相关数据。
具体地，当企业用户发起账户开户申请时，其会提交相应的账户开户资料至开户的银行网点，银行网点的终端102在接收到开户请求后，可以向服务器104发送风险账户识别请求。以识别企业用户所申请的账户是否存在风险，进行事前的预警，从源头上杜绝风险账户的开立、激活使用。此时风险账户识别请求可以包含部分用户提交的账户开户资料，而服务器104则可以根据用户提交的账户开户资料，从预设的数据库中查找其他部分的账户开户资料。其中用户提交的账户开户资料可以包括账户用途、企业名称、经营地址以及经办人信息等数据。而预设的数据库中查找其他部分的账户开户资料则可以包括企业的历史开户数据等部分的数据。
步骤203，从预设高风险客户数据库中查找账户开户资料对应的关联账户信息。
其中,预设高风险客户数据库则是指基于大数据技术预先建立的数据库。大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。本申请主要基于目前已检测出的风险账户建立，可以汇聚不同渠道以及不同数据源下的各种账户风险信息。预设高风险客户数据库内具体包括有空头支票黑名单、反洗钱可疑客户清单、未对账账户清单、网点堵截异常账户清单以及行内风险数据等类型的数据，当账户被检测出存在上述违规风险时，其账户信息就会被存储至预设高风险客户数据库内。而关联账户信息是指保存在预设高风险客户数据库内，可能与当前账户资料存在关联的其他账户的账户信息。如相同行业、相同规模其他企业的账户信息，相同企业法人代表的其他账户信息以及相同股东的其他账户信息等，都可以视为与账户开户资料对应的关联账户信息。
具体地，在得到账户开户资料后，为了提高风险账户识别过程的识别准确性，可以查找账户开户资料对应的关联账户信息，并将其作为风险账户识别的模型输入数据，以进行后续的风险账户识别。
步骤205，将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果。
步骤207，反馈开户风险识别结果。
其中，预设开户风险预警模型是指基于机器学习以及人工智能技术预先构建的神经网络分类模型，在其中一个实施例中，预设开户风险预警模型具体可以为深度学习模型。其通过带标注的模型训练数据通过有监督训练获得，主要用于在开户阶段进行风险识别。在有监督式的模型训练方式下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。在本申请中，具体可以基于历史账户开户资料，以及对应的历史关联账户信息构建一个模型训练数据。并为其添加相应的标注，而标注，即神经网络模型的风险识别结果具体包括了“拒绝”、“尽职调查”、“同意开户”等各种风险级别对应的处理反馈。当预设开户风险预警模型基于账户开户资料以及关联账户信息识别出风险较高时，可以向终端102反馈拒绝开户的消息。而在存在风险，但风险一般时，为了尽可能的降低新开户账户的风险，可以向终端102反馈尽职调查的识别结果，以通过尽职调查确定开户企业的具体情况，而后对是否进行后续开户进行进一步地判断。而风险较低或者没有风险时，则直接反馈“同意开户”，确定风险账户识别请求对应的新开户账户风险较低，可以直接同意开户。
具体地，在进行风险账户识别时，具体可以基于预先构建的预设开户风险预警模型来进行相应的风险识别，该预设开户风险预警模型基于历史数据中带标注的模型训练数据训练获得，模型训练数据包括历史账户开户资料，以及对应的历史关联账户信息。将查找到的账户开户资料以及关联账户信息输入预设开户风险预警模型。通过预设开户风险预警模型计算后，服务器104获得相应的开户风险识别结果，而后可以直接将结果反馈给终端102，以便终端102对风险识别的结果信息进行后续确认。
上述风险账户识别方法中，通过获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果，预设开户风险预警模型基于历史数据中带标注的模型训练数据训练获得，模型训练数据包括历史账户开户资料，以及对应的历史关联账户信息；反馈开户风险识别结果。本申请的风险账户识别方法，通过在企业用户开户时就将账户开户资料以及相应的关联账户信息作为识别数据，通过预设开户风险预警模型来进行相应的开户风险识别，从而进行风险账户新建过程的事前的预警，从源头上杜绝风险账户的开立、激活使用。
在其中一个实施例中，如图3所示，步骤207之后，还包括：
步骤302，接收风险识别结果对应的开户审核确认信息。
步骤304，当开户审核确认信息表征同意开户时，建立企业用户的账户开户资料对应的新开户账户。
其中开户审核确认信息为终端102方的开户审核工作人员，对服务器反馈的开户风险识别结果进行确认后，进行开户与否的确认信息。具体地，终端102方的开户审核工作人员可以对服务器反馈的开户风险识别结果进行确认，而后根据相应的识别结果确定是否同意开户。一般地，对于“拒绝”类型的开户风险识别结果，在确认后一般为拒绝开户，此时开户失败。而“尽职调查”类型的开户风险识别结果，则需要开户审核工作人员一定的尽职调查后，反馈相应的是否同意开户的开户审核确认信息。而对于“同意开户”类型的开户风险识别结果，则在确认后一般为同意开户。服务器104在得到开户审核确认信息，对信息进行进一步地确认，当开户审核确认信息表征同意开户时，即可建立企业用户的账户开户资料对应的新开户账户。本实施例中，基于风险识别结果对应的开户审核确认信息来确认是否建立相应的新开户账户，从而进行风险账户的事前的预警，从源头上杜绝风险账户的开立、激活使用。
在其中一个实施例中，如图4所示，步骤304之后，还包括：
步骤401，当到达预设复核时间节点时，获取新开户账户对应的账户运行信息。
步骤403，提取账户运行信息对应的账户交易特征以及账户行为特征。
步骤405，将账户交易特征以及账户行为特征输入预设复核风险预警模型，获取新开户账户对应的复核风险识别结果。
步骤407，当复核风险识别结果表征新开户账户为风险账户时，反馈复核风险识别结果。
其中，预设复核时间节点具体可以为新开户账户新建后的固定时间段。而账户交易特征与账户行为特征分别表征新开户账户在账户使用过程中，账户资金往来交易或者是业务办理等方面的数据。而预设复核风险预警模型则与预设开户风险预警模型，不过其主要用于对账户运营过程中的各种风险进行复核。使用的训练数据也是历史数据中的账户运行信息获取。预设复核风险预警模型的训练方式可以为有监督训练、无监督训练或者半监督训练。
具体地，在账户新建完成后，对于每个新建的银行账户，都可以在后续进行账户风险复核。复核过程所用到的数据具体为账户在运行过程中的账户交易特征以及账户行为特征。而当复核风险识别结果表征新开户账户为风险账户时，反馈复核风险识别结果。如果不为风险账户，则无需反馈，而进行继续的监控。通过机器智能学习,可以不断提高高风险客户数据精准度，其中包括挖掘新的可疑客户数据填充和剔除经核实过的非可疑关联数据。本实施例中，通过开户后的后续复核过程，来对账户风险进行进一步地识别，可以有效保证风险账户识别的有效性，从而及时排除隐藏风险。
在其中实施例中，步骤407具体包括：当复核风险识别结果表征新开户账户为风险账户时，查找新开户账户对应的关联系统以及关联终端；反馈复核风险识别结果至关联系统以及关联终端。
具体地，其中关联系统以及关联终端是指与银行相关联的其他系统，如异行账户系统以及或者是同行内与新开户账户所处系统相关联的其他账户系统等。当识别为风险账户时，可以进行智能的预警报送，通过反馈复核风险识别结果至关联系统以及关联终端，可以有效提高多个关联系统内账户风险数据的辨识度，从而保证风险账户识别后续过程中风险处理的及时性。本实施例中通过人工智能技术实现基于核心业务系统框架的智能报送，解决多终端、多系统操作问题，智能触发处理多系统，实现业务流程自动化，高效提升风险账户处理的质量及效率。
在其中一个实施例中，步骤207之后，还包括：当开户审核确认信息表征开户失败时，根据账户开户资料更新预设高风险客户数据库。
具体地，在本申请中，可以通过人工智能技术能自动扩充高风险客户数据和剔除非风险数据。针对发现新可疑账户，系统会自行进行全面排查，抓出关联可疑账户，并且根据系统运行期间开户审核工作人员的反馈，自动对非风险数据进行剔除操作，数据将越来越精准。同时在审核确认信息确认开户失败时，可以将当前企业用户提交的账户开户资料作为新的高风险客户数据，并将其更新至预设高风险客户数据库中，从而保证预设高风险客户数据库的数据的有效性。本实施例中，通过挖掘新的可疑客户数据填充至预设高风险客户数据库，从而精准扩充预设高风险客户数据库的数据，保证数据库内数据的有效性。
在其中一个实施例中，步骤207之后，还包括：当开户审核确认信息表征开户失败时，反馈账户开户资料对应的关联账户信息。
具体地，在开户审核确认信息表征开户失败时，即可将当前企业用户提交的账户开户资料作为新的高风险客户数据，此时与账户开户资料对应的关联账户信息则可能存在一定风险，因此服务器104会反馈查找到的这部分关联账户信息。而后将这部分账户开户资料对应的关联账户信息反馈至开户审核工作人员所在的终端102，开户审核工作人员可以决定是否对这些关联账户中的低风险或者无风险账户发起复核，以确定其中是否存在风险账户。因此服务器104在反馈账户开户资料对应的关联账户信息之后，还可以接受终端102反馈的复刻确认消息，而后对复核确认消息中所指定的关联账户发起复核，以确定其中是否包含有风险账户。本实施例中，通过反馈账户开户资料对应的关联账户信息，可以在识别出风险账户之后进行进一步地关联账户复核，从而保证风险账户识别的覆盖率，提高识别效率。
通过本申请的风险账户识别方法，可以有效减少银行异常开户情况，避免问题账户开立，优化商业银行对公客户结构，推动对公业务良性发展，同时，堵截风险客户后释放的人力资源，可为合规企业提供更优质的增值服务。通过本系统进行开户业务操作，融合风控及高效报送为一体，增强开户时效，为客户带来良好体验，提升同业竞争力，为对公业务的稳定发展保驾护航，增强服务实体经济能力。同时本申请的风险账户识别方法可以在提升实体企业开户效率的情况下，进一步加强风险控制，从源头上对问题账户进行堵截。通过建立高精准的高风险数据库，提供银行从业人员对于单位账户信息核查反馈功能，在单位客户有办理业务意向时事前预警，便于发现可疑风险客户，根据相关风险等级提示相关业务操作；其次，在开户业务办理时，系统自动实时监测，更好地防止不法分子利用时间差开立问题账户；最后，在开户办理完成后，系统后台模型仍会继续监控，第一时间发现问题账户，并提供相关监控数据供银行运营部门分析使用。当前单位账户业务竞争激烈，客户在办理银行业务的体验感决定了客户对商业银行的选择，本系统的上线旨在事前预警及提升业务办理实效，从而减少客户到网点次数及办理业务时间，提升客户体验。提供人工智能技术整合多终端、多系统，实现一键获取单位客户核心信息，并一键将数据报送至多个关联系统与关联终端中，整个业务流程节省约30分钟，大幅度减少柜员工作的同时提高准确率，避免手工录错信息的可能性，大幅度提升业务办理效率，解放柜台，节省人力。同时通过系统进行把控，比人工风控把关更为严格，整个业务流程在风控角度实现完整闭环，全流程记录数据为后续风控运维提供数据支持，节省了问题单位账户的开立和后续维护管理的时间与成本。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种风险账户识别装置，包括：
请求获取模块502，用于获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；
信息查询模块504，用于从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；
风险识别模块506，用于将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果；
结果反馈模块508，用于反馈开户风险识别结果。
在其中一个实施例中，还包括账户新建模块，用于：接收风险识别结果对应的开户审核确认信息；当开户审核确认信息表征同意开户时，建立企业用户的账户开户资料对应的新开户账户。
在其中一个实施例中，还包括风险复核模块，用于：当到达预设复核时间节点时，获取新开户账户对应的账户运行信息；提取账户运行信息对应的账户交易特征以及账户行为特征；将账户交易特征以及账户行为特征输入预设复核风险预警模型，获取新开户账户对应的复核风险识别结果；当复核风险识别结果表征新开户账户为风险账户时，反馈复核风险识别结果。
在其中一个实施例中，风险复核模块还用于：当复核风险识别结果表征新开户账户为风险账户时，查找新开户账户对应的关联系统以及关联终端；反馈复核风险识别结果至关联系统以及关联终端。
在其中一个实施例中，还包括数据更新模块，用于：当开户审核确认信息表征开户失败时，根据账户开户资料更新预设高风险客户数据库。
在其中一个实施例中，还包括关联账户反馈模块，用于：当开户审核确认信息表征开户失败时，反馈账户开户资料对应的关联账户信息。
关于风险账户识别装置的具体限定可以参见上文中对于风险账户识别方法的限定，在此不再赘述。上述风险账户识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储风险账户识别数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险账户识别方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；
将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果；
反馈开户风险识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：接收风险识别结果对应的开户审核确认信息；当开户审核确认信息表征同意开户时，建立企业用户的账户开户资料对应的新开户账户。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当到达预设复核时间节点时，获取新开户账户对应的账户运行信息；提取账户运行信息对应的账户交易特征以及账户行为特征；将账户交易特征以及账户行为特征输入预设复核风险预警模型，获取新开户账户对应的复核风险识别结果；当复核风险识别结果表征新开户账户为风险账户时，反馈复核风险识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当复核风险识别结果表征新开户账户为风险账户时，查找新开户账户对应的关联系统以及关联终端；反馈复核风险识别结果至关联系统以及关联终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当开户审核确认信息表征开户失败时，根据账户开户资料更新预设高风险客户数据库。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：当开户审核确认信息表征开户失败时，反馈账户开户资料对应的关联账户信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取风险账户识别请求，查找风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找账户开户资料对应的关联账户信息；
将账户开户资料以及关联账户信息输入预设开户风险预警模型，获取账户开户资料对应的开户风险识别结果；
反馈开户风险识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收风险识别结果对应的开户审核确认信息；当开户审核确认信息表征同意开户时，建立企业用户的账户开户资料对应的新开户账户。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当到达预设复核时间节点时，获取新开户账户对应的账户运行信息；提取账户运行信息对应的账户交易特征以及账户行为特征；将账户交易特征以及账户行为特征输入预设复核风险预警模型，获取新开户账户对应的复核风险识别结果；当复核风险识别结果表征新开户账户为风险账户时，反馈复核风险识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当复核风险识别结果表征新开户账户为风险账户时，查找新开户账户对应的关联系统以及关联终端；反馈复核风险识别结果至关联系统以及关联终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当开户审核确认信息表征开户失败时，根据账户开户资料更新预设高风险客户数据库。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当开户审核确认信息表征开户失败时，反馈账户开户资料对应的关联账户信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种风险账户识别方法，所述方法包括：
获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
反馈所述开户风险识别结果。
2.根据权利要求1所述的方法，其特征在于，所述反馈所述风险识别结果之后，还包括：
接收所述风险识别结果对应的开户审核确认信息；
当所述开户审核确认信息表征同意开户时，建立所述企业用户的账户开户资料对应的新开户账户。
3.根据权利要求2所述的方法，其特征在于，所述建立所述企业用户的账户开户资料对应的账户信息之后，还包括：
当到达预设复核时间节点时，获取所述新开户账户对应的账户运行信息；
提取账户运行信息对应的账户交易特征以及账户行为特征；
将所述账户交易特征以及所述账户行为特征输入预设复核风险预警模型，获取所述新开户账户对应的复核风险识别结果；
当所述复核风险识别结果表征所述新开户账户为风险账户时，反馈所述复核风险识别结果。
4.根据权利要求3所述的方法，其特征在于，当所述复核风险识别结果表征所述新开户账户为风险账户时，反馈所述复核风险识别结果包括：
当所述复核风险识别结果表征所述新开户账户为风险账户时，查找所述新开户账户对应的关联系统以及关联终端；
反馈所述复核风险识别结果至所述关联系统以及所述关联终端。
5.根据权利要求2所述的方法，其特征在于，所述反馈所述风险识别结果之后，还包括：
当所述开户审核确认信息表征开户失败时，根据所述账户开户资料更新所述预设高风险客户数据库。
6.根据权利要求2所述的方法，其特征在于，所述反馈所述风险识别结果之后，还包括：
当所述开户审核确认信息表征开户失败时，反馈所述账户开户资料对应的关联账户信息。
7.一种风险账户识别装置，其特征在于，所述装置包括：
请求获取模块，用于获取风险账户识别请求，查找所述风险账户识别请求对应的账户开户资料；
信息查询模块，用于从预设高风险客户数据库中查找所述账户开户资料对应的关联账户信息；
风险识别模块，用于将所述账户开户资料以及所述关联账户信息输入预设开户风险预警模型，获取所述账户开户资料对应的开户风险识别结果；
结果反馈模块，用于反馈所述开户风险识别结果。
8.根据权利要求7所述的装置，其特征在于，还包括账户新建模块，用于：接收所述风险识别结果对应的开户审核确认信息；当所述开户审核确认信息表征同意开户时，建立所述企业用户的账户开户资料对应的新开户账户。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110070331.2A CN112766974A (zh) | 2021-01-19 | 2021-01-19 | 风险账户识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110070331.2A CN112766974A (zh) | 2021-01-19 | 2021-01-19 | 风险账户识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766974A true CN112766974A (zh) | 2021-05-07 |
Family
ID=75703214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110070331.2A Pending CN112766974A (zh) | 2021-01-19 | 2021-01-19 | 风险账户识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766974A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256299A (zh) * | 2021-05-12 | 2021-08-13 | 顶象科技有限公司 | 自动生成风险审单及审核机制的系统和方法 |
| CN113643123A (zh) * | 2021-08-23 | 2021-11-12 | 中国农业银行股份有限公司佛山分行 | 一种银行的线上开户方法及线上开户系统 |
| CN113673844A (zh) * | 2021-08-04 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种信息反馈方法、装置及设备 |
| CN116797329A (zh) * | 2022-04-29 | 2023-09-22 | 朱芷叶 | 异常数据告警方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106033575A (zh) * | 2015-03-11 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 风险账户识别方法及装置 |
| CN111160745A (zh) * | 2019-12-23 | 2020-05-15 | 中国建设银行股份有限公司 | 用户账户数据的处理方法及装置 |
| CN112199575A (zh) * | 2020-10-09 | 2021-01-08 | 深圳壹账通智能科技有限公司 | 虚拟银行开户方法、装置、设备和计算机存储介质 |
-
2021
- 2021-01-19 CN CN202110070331.2A patent/CN112766974A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106033575A (zh) * | 2015-03-11 | 2016-10-19 | 阿里巴巴集团控股有限公司 | 风险账户识别方法及装置 |
| CN111160745A (zh) * | 2019-12-23 | 2020-05-15 | 中国建设银行股份有限公司 | 用户账户数据的处理方法及装置 |
| CN112199575A (zh) * | 2020-10-09 | 2021-01-08 | 深圳壹账通智能科技有限公司 | 虚拟银行开户方法、装置、设备和计算机存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256299A (zh) * | 2021-05-12 | 2021-08-13 | 顶象科技有限公司 | 自动生成风险审单及审核机制的系统和方法 |
| CN113673844A (zh) * | 2021-08-04 | 2021-11-19 | 支付宝(杭州)信息技术有限公司 | 一种信息反馈方法、装置及设备 |
| CN113673844B (zh) * | 2021-08-04 | 2024-02-23 | 支付宝(杭州)信息技术有限公司 | 一种信息反馈方法、装置及设备 |
| CN113643123A (zh) * | 2021-08-23 | 2021-11-12 | 中国农业银行股份有限公司佛山分行 | 一种银行的线上开户方法及线上开户系统 |
| CN116797329A (zh) * | 2022-04-29 | 2023-09-22 | 朱芷叶 | 异常数据告警方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
| CN112766974A (zh) | 风险账户识别方法、装置、计算机设备和存储介质 | |
| CN110232565B (zh) | 资源清算方法、装置、计算机设备和存储介质 | |
| WO2021004132A1 (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
| CN109858737B (zh) | 基于模型部署的评分模型调整方法、装置和计算机设备 | |
| CN109087208B (zh) | 贷前数据处理方法、装置、计算机设备和存储介质 | |
| CN110490594B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN112308710B (zh) | 贷款数据处理方法、装置、计算机设备及存储介质 | |
| US20140303993A1 (en) | Systems and methods for identifying fraud in transactions committed by a cohort of fraudsters | |
| CN111580874B (zh) | 数据申请的系统安全控制方法、系统和计算机设备 | |
| CN109410070B (zh) | 核保数据处理方法和系统 | |
| CN110109905A (zh) | 风险名单数据生成方法、装置、设备及计算机存储介质 | |
| CN111489175B (zh) | 在线身份认证方法、装置、系统及存储介质 | |
| CN111915316A (zh) | 一种可疑交易的监控方法、装置、计算机设备和存储介质 | |
| CN112434335A (zh) | 业务问题的处理方法、装置、计算机设备及存储介质 | |
| CN110913397A (zh) | 短信校验方法、装置、存储介质和计算机设备 | |
| US20200410415A1 (en) | Computer-based systems for risk-based programming | |
| CN117057794A (zh) | 基于区块链的智能支付网关交易方法、系统、设备及介质 | |
| CN115437870A (zh) | 业务流程数据的监控方法、装置、计算机设备及存储介质 | |
| CN114357403A (zh) | 基于设备可信度的用户登陆请求处理方法、装置及设备 | |
| CN114896955A (zh) | 数据报表加工方法、装置、计算机设备及存储介质 | |
| CN113687800A (zh) | 文件打印处理方法、装置、计算机设备和存储介质 | |
| CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
| CN114553726B (zh) | 一种基于功能、资源层面的网络安全运维方法及系统 | |
| US11799658B2 (en) | Tracking data throughout an asset lifecycle |
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 |