CN113191890A - 客户风险确定方法、装置及设备 - Google Patents
客户风险确定方法、装置及设备 Download PDFInfo
- Publication number
- CN113191890A CN113191890A CN202110583740.2A CN202110583740A CN113191890A CN 113191890 A CN113191890 A CN 113191890A CN 202110583740 A CN202110583740 A CN 202110583740A CN 113191890 A CN113191890 A CN 113191890A
- Authority
- CN
- China
- Prior art keywords
- risk
- client
- processed
- label
- information
- 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 93
- 238000011835 investigation Methods 0.000 claims abstract description 55
- 238000012502 risk assessment Methods 0.000 claims abstract description 27
- 230000006399 behavior Effects 0.000 claims description 25
- 238000011867 re-evaluation Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013348 risk reassessment Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004900 laundering Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例涉及人工智能技术领域,具有公开了一种客户风险确定方法、装置及设备,所述方法包括:利用客户的属性信息进行风险评分,利用预设的业务标签规则以及客户的外部风险信息确定出客户的风险标签,基于风险评分和风险标签对客户采取对应的尽职调查。最后结合尽职调查结果以及风险评分、风险标签,综合确定出客户的风险等级,丰富了客户风险评估的数据量,提升了客户风险分类的准确性。通过自定义的客户标签规则对工作人员进行必要提醒,有效应对因客户基础信息缺失导致客户等级无法评定或定级较低的情况。
Description
技术领域
本说明书属于人工智能技术领域,尤其涉及一种客户风险确定方法、装置及设备。
背景技术
随着互联网技术在金融领域的渗透,利用计算机互联网技术进行非法活动的现象越来越多,如何能够对客户是否属于风险客户或是否进行了一些非法操作是金融领域比较重要的工作,如:反洗钱客户的识别确认等。
现有部分客户分类系统仅仅考虑指定的风险子项,未结合实际情况有效将其他隐含风险因素纳入,导致客户风险确定或风险分类结果不准确。现实场景中客户量巨大不仅会存在数据传输过程中的丢包问题,且存在无法成功获取数据的可能。一旦客户身份信息或交易信息存在缺失时,系统可能会错误的将其直接定级为低风险客户。其次,系统内部风险控制措施未尽职,部分客户分类系统未在客户风险分类结果基础上,采取对应的风险控制措施。最后,系统触发客户风险等级重评原因单一,客户风险信息维护成本较高。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书实施例的目的在于提供一种客户风险确定方法、装置及设备,提高了客户风险确定的准确性。
一方面,本说明书实施例提供了一种客户风险确定方法,所述方法包括:
采集待处理客户的客户属性信息以及外部风险信息;
基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
进一步地,所述方法还包括:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
进一步地,所述方法还包括:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
进一步地,所述方法还包括:
在监控到所述待处理客户的行为信息触发风险预警时,对所述待处理客户进行强化型尽职调查。
进一步地,所述根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级,包括:
根据所述风险评分、所述风险标签以及所述尽职调查结果利用朴素贝叶斯算法确定出所述待处理客户的风险等级。
进一步地,所述根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果,包括:
若所述风险标签为高风险标签,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分大于第一预设阈值,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分小于所述第一预设阈值且大于第二预设阈值,则随机抽取指定数量的待处理客户进行基础型尽职调查,其他待处理客户进行强化型尽职调查;所述第二预设阈值小于所述第一预设阈值;
若所述风险标签为低风险标签且所述风险评分小于或等于所述第二预设阈值,则对所述待处理客户进行基础型尽职调查。
进一步地,所述客户属性信息包括:客户基础特性信息、客户地域信息、业务信息、行业信息;
所述基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分,包括:
基于所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别确定出所述待处理客户的客户基础特性信息、客户地域信息、业务信息、行业信息分别对应的风险评分;
根据所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别对应的风险评分以及对应的信息权重,综合确定出所述待处理客户的风险评分。
另一方面,本说明书提供了一种客户风险确定装置,所述装置包括:
信息采集模块,用于采集待处理客户的客户属性信息以及外部风险信息;
风险评分模块,用于基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
风险标签确定模块,用于基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
尽职调查模块,用于根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
风险结果确定模块,用于根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
进一步地,所述装置还包括风险重评模块,用于:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
进一步地,所述风险重评模块还用于:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
再一方面,本说明书实施例提供了一种客户风险确定设备,应用于服务器,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述客户风险确定方法。
本说明书提供的客户风险确定方法、装置及设备,利用客户的属性信息进行风险评分,利用预设的业务标签规则以及客户的外部风险信息确定出客户的风险标签,基于风险评分和风险标签对客户采取对应的尽职调查。最后结合尽职调查结果以及风险评分、风险标签,综合确定出客户的风险等级,丰富了客户风险评估的数据量,提升了客户风险分类的准确性。通过自定义的客户标签规则对工作人员进行必要提醒,有效应对因客户基础信息缺失导致客户等级无法评定或定级较低的情况。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的客户风险确定方法实施例的流程示意图;
图2是本说明书一个场景示例中尽职调查的原理示意图;
图3是本说明书一个场景示例中风险等级的确定方法示意图;
图4是本说明书一个场景示例中客户风险确定的原理示意图;
图5是本说明书一个实施例中客户风险确定装置的结构示意图;
图6是本说明书一个实施例中客户风险确定服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
本说明书实施例提供的一个场景示例中,客户风险确定方法可以应用于执行客户风险确定的设备,设备可以包括一个服务器,也可以包括多个服务器组成的服务器集群。或者可以应用于交易业务系统,如:银行或金融系统或一些网络购物平台等。可以对系统内的客户进行检测,及时识别出存在风险的客户,尤其对于反洗钱客户的风险识别,确保交易的安全合法进行。
本说明书实施例提供的客户风险确定方法,克服了现有客户分类系统中客户分类等级划分不准确、未有效及时跟踪监控高风险客户、客户分类触发重评原因单一的问题,提出了一种基于客户标签的反洗钱客户分类方案。本说明书实施例通过为客户构建风险标签并结合反洗钱客户风险评分、客户尽职调查解决了风险等级划分可能不准确的问题;通过强化的客户尽职调查实现了对潜在高风险客户的有效跟踪监控,若新开户或重评客户涉及高风险标签,系统会发起增强型尽职调查;通过依据各类外部风险因素、可疑交易预警、资金流向等异常情况触发重评,适时对潜在洗钱风险进行有效防范及动态监控,有效发挥客户分类系统监测作用。本说明书实施例具有较好的适应性,可适用于不同金融机构客户风险信息挖掘,充分显现反洗钱或其他风险交易的监控价值。
图1是本说明书实施例提供的客户风险确定方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的客户风险确定方法的一个实施例中,方法可以应用于服务器、计算机、智能手机、平板电脑等设备中,所述方法可以包括如下步骤:
步骤102、采集待处理客户的客户属性信息以及外部风险信息。
在具体的实施过程中,可以采集待处理客户的客户属性信息以及外部风险信息,其中,客户属性信息可以理解为能够表征客户基础属性的信息,属于客户自身携带的信息,外部风险信息可以理解为外部人员或外部系统赋予客户能够表征一定风险的信息。其中,待处理客户可以是一个或多个,可以是在银行或金融系统进行相应操作的客户,可以是个人或企业,待处理客户的类别以及数量可以基于实际需要进行设置,本说明书实施例不做具体限定。可以在待处理客户在进行交易或在系统上进行业务操作时获取待处理客户的客户属性信息以及外部风险信息,也可以每隔一定时间就对系统内的客户进行一次信息获取,进而进行风险识别,本说明书实施例不做具体限定。
本说明书一些实施例中,所述客户属性信息包括:客户基础特性信息、客户地域信息、业务信息、行业信息。其中,可以根据不同客户类别采集对应的客户基础特性信息,客户类别可以包括自然人以及非自然人客户,对于自然人的客户基础特性信息可以包括:客户身份信息掌握程度、证件种类、证件有效期、年龄、业务存续时间、反洗钱监控情况等。对于非自然人的客户基础特性信息可以包括:客户信息公开程度、证件种类、股权结构、业务存续时间、反洗钱监控情况等。还可以根据不同客户类别采集对应的客户地域信息,对于自然人的客户地域信息可以包括:国籍所属地区风险情况、联系地址风险情况、异地建立业务关系情况等。对于非自然人的客户地域信息可以包括:注册地风险情况、经营所在地风险情况、受益所有人地域风险情况、异地建立业务关系情况等。此外,可以根据是否为新开户客户采集对应的业务信息,其中,新开户客户业务信息可以包括客户金融产品或金融工具使用情况,存量客户业务信息可以包括:交易币种情况、现金交易情况、开销户情况、交易量变化情况、跨境交易情况、有效贷款账户情况、信用卡账户情况等。还可以采集对应客户的行业信息,行业信息可以包括所属行业为低/中/高风险或行业信息存在缺失无法获取等情况。
步骤104、基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分。
在具体的实施过程中,采集到客户属性信息后,可以基于采集到的信息对客户进行风险评估,确定出待处理客户的风险评分。可以利用智能学习算法,构建出风险评估模型,利用风险评估模型对客户属性信息进行风险评估,或者也可以采用大数据计算框架或专家决策等手段对待处理客户进行风险评估,本说明书实施例对风险评估的具体手段不做具体限定。
本说明书一些实施例中,所述客户属性信息包括:客户基础特性信息、客户地域信息、业务信息、行业信息;
所述基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分,包括:
基于所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别确定出所述待处理客户的客户基础特性信息、客户地域信息、业务信息、行业信息分别对应的风险评分;
根据所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别对应的风险评分以及对应的信息权重,综合确定出所述待处理客户的风险评分。
在具体的实施过程中,参见上述实施例的记载,本说明书实施例中的客户属性信息可以包括客户基础特性信息、客户地域信息、业务信息、行业信息是个维度的信息,可以预先基于专家经验等分别配置是个维度对应的信息权重,再分别从是个维度对待处理客户进行风险评估,获得四个维度对应的风险评分,结合是个维度各自对应的信息权重,利用加权平均或其他方法综合确定出待处理客户的风险评分。本说明书实施例从多个维度对客户进行风险评估,保障了风险评分结果的准确性,提高了风险评估的覆盖面。
步骤106、基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型。
在具体的实施过程中,本说明书实施例还可以预先设置一个业务标签规则,该业务标签规则中可以包括标签类型以及标签内容之间的映射关系,即什么样的业务标签内容对应的标签类型是什么,其中标签内容可以包括客户的外部风险信息类型如:是否被列入涉嫌犯罪外逃人员名单、是否无理由拒绝配合开展尽职调查、是否“非实名”或者“身份不明”、是否接受人民银行反洗钱行政调查、是否涉及国内外有关反洗钱负面报道等,即由外部人员或外部系统赋予客户的信息内容。可以预先建立业务标签规则,对客户进行某类标签化标注,形成以客户编号(客户身份标识)为主体的关系模型客户高/中高风险标签库,并对不同场景下的对应客户标签提供查询及编辑的功能。可根据业务标签库展示客户风险变化趋势,结合不同维度业务数据进行交叉分析,向其他业务系统提供标签输入。业务标签规则的内容可以参见下述表1:
表1:业务标签规则
可以参考表1以及待处理客户的外部风险信息确定出对应待处理客户的风险标签,当然,根据实际业务需要,还可以配置其他风险标签与标签内容之间的映射关系,如:低风险标签对应的是什么标签内容。
步骤108、根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果。
在具体的实施过程中,本说明书实施例可以结合上述风险评分以及风险标签的结果,对待处理客户采取对应的尽职调查,获取待处理客户的尽职调查结果。尽职调查可以理解为对交易资金金额、来源流向、用途、性质等要素进行审核,以尽可能了解客户的信息,为后续对客户的风险确定奠定数据基础。本说明书实施例可以提供两种尽职调查方式:基础型尽职调查和强化型尽职调查,其中,基础型尽职调查主要用以筛选风险太高而无法与其开展业务的客户,强化型尽职调查是针对高风险客户的更为深入的尽职调查,以深入了解客户活动,降低洗钱等金融犯罪的风险。不规则的交易行为通常会触发强化型尽职调查,比如:资金快进快出交易频繁、资金收付频率与企业经营规模明显不符、资金收付流向与企业经营特点不匹配、频繁开销户且销户前发生大量资金收付等。其中,尽职调查的方法可以采用计算机互联网技术对客户的相关信息进行调查,或者与其他专业系统或专业人员合作对客户进行调查,本说明书实施例不做具体限定。
本说明书一些实施例中,所述根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果,包括:
若所述风险标签为高风险标签,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分大于第一预设阈值,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分小于所述第一预设阈值且大于第二预设阈值,则随机抽取指定数量的待处理客户进行基础型尽职调查,其他待处理客户进行强化型尽职调查;所述第二预设阈值小于所述第一预设阈值;
若所述风险标签为低风险标签且所述风险评分小于或等于所述第二预设阈值,则对所述待处理客户进行基础型尽职调查。
在具体的实施过程中,图2是本说明书一个场景示例中尽职调查的原理示意图,如图3所示,本说明书实施例中的尽职调查方式可以分为5种:
若待处理客户命中高风险标签,则下发强化型尽职调查。
若待处理客户命中中高风险标签且风险评分较高即风险评分大于第一预设阈值,则下发强化型尽职调查。
若待处理客户命中中高风险且风险评分不高即风险评分小于所述第一预设阈值且大于第二预设阈值,则随机抽取下发基础型尽职调查,可以基于预设的比例随机抽取指定数量的待处理客户进行基础型尽职调查,其他待处理客户进行强化型尽职调查。如:若有30个待处理客户的风险标签为中高风险且风险评分不高即风险评分小于所述第一预设阈值且大于第二预设阈值,则可以从30个待处理客户中抽取20个进行基础型尽职调查,其他10名待处理客户可以采取强化型尽职调查。
若待处理客户未命中风险标签(即风险标签为低风险标签)且风险评分较低即风险评分小于或等于所述第二预设阈值,则可下发基础型尽职调查。
其中第一预设阈值和第二预设阈值的大小可以基于实际需要进行设置,本说明书实施例不做具体限定。
本说明书实施例针对不同风险等级客户,采取不同风险关注措施。针对高风险客户,采取强化型尽职调查及高频的分类重评,有效防范规避部分类别客户产生的洗钱风险或其他风险交易。
步骤110、根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
在具体的实施过程中,在基于待处理客户的基础属性信息确定出客户的风险评分,基于客户的外部风险信息确定出客户的风险标签,并对不同风险类别的客户采取不同的尽职调查方式后,基于风险评分、风险标签以及尽职调查结果可以综合对待处理客户进行风险评估,确定出待处理客户的风险等级。如:可以采用智能学习算法预先建立风险评估模型,基于建立的模型对待处理客户进行风险评估,或者利用专家决策,制定风险等级评估策略,进而对待处理客户进行风险评估,如:若风险评分较高且风险标签为中高风险标签或高风险标签且尽职调查结果中存在风险行为,则可以认为该客户的风险等级为高风险等级。
本说明书一些实施例中,所述根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级,包括:
根据所述风险评分、所述风险标签以及所述尽职调查结果利用朴素贝叶斯算法确定出所述待处理客户的风险等级。
在具体的实施过程中,可以利用历史客户的数据以及朴素贝叶斯算法构建出分类模型,利用构建出的分类模型对待处理客户的风险评分、风险标签以及尽职调查结果进行分类,进而确定出待处理客户的风险等级,关于风险等级的分类可以基于实际业务场景需求进行设置,如可以设置为:高风险、中高风险、中风险、中低风险、低风险等五类。通过增加多类风险因素信息源为客户添加不同风险标签并基于贝叶斯定理训练分类模型输出客户等级较为准确对客户进行风险分类。
朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法,图3是本说明书一个场景示例中风险等级的确定方法示意图,朴素贝叶斯算法以及相关的模型建立和使用可以如图4所示,具体过程可以参考如下:
朴素贝叶斯算法:
输入:训练数据T={(x1,y1),(x2,y2),…,(xN,yN)},其中 是第i个样本的第j个特征,ajl是第j个特征可能取的第l个值,j=1,2,…,n,l=1,2,…,Sj,yi∈{c1,c2,…cK};实例x;
输出:实例x的分类
(1)计算先验概率及条件概率
(2)对于给定的实例x=(x(1),x(2),…x(n))T,计算
(3)确定实例x的类
步骤301:特征选择是指从可用特征集合中选择一些重要的与被解释变量相关的特征子集的过程。用于客户分类任务的特征可以选择客户的风险评分、风险标签及尽职调查结果中的部分字段,通过数据可视化可以观察到特征可以分为离散型及连续型特征。
步骤302:收集模型训练所需样本,对缺失或无效数据进行预处理。
步骤303:风险评分由各风险子项加权计算得出属于连续型特征,而贝叶斯分类算法要求特征值离散,因此可通过数据划分将数据离散化。通过对客户评分数据分析发现,该属性具有一定的统计分布规律及阶段化分布特征,按照评分分类标准对评分数据进行离散化,示例如下表2所示(假设客户评分结果为X):
表2:数据离散化
客户评分 | 离散化标识 |
X≥4.2 | A |
4.2>X≥3.4 | B |
3.4>X≥2.6 | C |
2.6>X≥1.8 | D |
X<1.8 | E |
步骤304:特征数据离散化后,使用朴素贝叶斯分类构建分类模型,使用训练好的模型根据某实例特征数据得到不同分类等级(高风险、中高风险、中风险、中低风险、低风险)下的后验概率,选择后验概率最大的分类作为该实例客户的风险等级。
本说明书实施例提供的客户风险确定方法,利用客户的属性信息进行风险评分,利用预设的业务标签规则以及客户的外部风险信息确定出客户的风险标签,基于风险评分和风险标签对客户采取对应的尽职调查。最后结合尽职调查结果以及风险评分、风险标签,综合确定出客户的风险等级,丰富了客户风险评估的数据量,提升了客户风险分类的准确性。通过自定义的客户标签规则对工作人员进行必要提醒,有效应对因客户基础信息缺失导致客户等级无法评定或定级较低的情况。
在上述实施例的基础上,本说明书一些实施例中,所述方法还包括:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
在具体的实施过程中,图4是本说明书一个场景示例中客户风险确定的原理示意图,如图4所示,本说明书实施例中在基于客户属性信息进行风险评分,基于外部风险信息进行风险标签,结合风险评分和风险标签进行尽职调查之外,还提供了风险重评机制。可以根据待处理客户的风险等级确定出各个待处理客户的风险重评频率,基于各个待处理客户的风险重评频率对待处理客户定期进行风险等级的重新确定。如:高风险客户定期重评频率较高,可以数月一次,低风险客户定期重评频率较低,可以数年一次,评分等级居中的客户定期重评频率介于高风险客户与低风险客户之间。在风险重评时可以重新获取待处理客户的客户属性信息以及外部风险信,对客户进行新的风险评分和风险标签的确定,再基于新的风险评分和风险标签,对该客户进行对应的尽职调查,基于新的尽职调查结果以及风险评分和风险标签,重新确定客户的风险等级。
通过对不同风险等级的客户进行不同频率的风险重评,克服了现有方法中客户分类等级划分不准确、未有效跟踪监控高风险客户、客户分类结果触发重评原因单一的问题,提高了客户的安全管理。
此外,本说明书一些实施例中,所述方法还包括:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
在具体的实施过程中,还可以对待处理客户的行为信息进行监控,其中行为信息可以理解为客户的业务操作信息,如:交易信息、转账信息或与其他风控系统联动获得相关客户的负面消息等,若监控到待处理客户的行为信息中存在一定的风险行为即触发了风险预警,则对待处理客户进行风险重评。如:可以重新获取待处理客户的客户属性信息以及外部风险信息,对客户进行新的风险评分和风险标签的确定,再基于新的风险评分和风险标签,对该客户进行对应的尽职调查,基于新的尽职调查结果以及风险评分和风险标签,重新确定客户的风险等级。
本说明书实施例通过及时关注客户洗钱风险变化情况,增加可疑预警、资金流向等负面信息源触发客户风险分类重评,动态调整客户风险分类,极大地减少了人力资源成本,提升反洗钱工作时效性。
此外,本说明书一些实施例中,所述方法还包括:
在监控到所述待处理客户的行为信息触发风险预警时,对所述待处理客户进行强化型尽职调查。
在具体的实施过程中,在监控到待处理客户的行为信息中存在风险行为触发风险预警时,可以直接对待处理客户采取强化型尽职调查,确保客户交易的安全性,有效防范规避部分类别客户产生的洗钱风险或其他风险交易。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述的客户风险确定方法,本说明书一个或多个实施例还提供一种用于客户风险确定的装置。装置可以包括使用了本说明书实施例方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统、装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是本说明书一个实施例中客户风险确定装置的结构示意图,如图5所示,本说明书一些实施例中提供的客户风险确定装置具体可以包括:
信息采集模块51,用于采集待处理客户的客户属性信息以及外部风险信息;
风险评分模块52,用于基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
风险标签确定模块53,用于基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
尽职调查模块54,用于根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
风险结果确定模块55,用于根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
本说明书实施例提供的客户风险确定装置,利用客户的属性信息进行风险评分,利用预设的业务标签规则以及客户的外部风险信息确定出客户的风险标签,基于风险评分和风险标签对客户采取对应的尽职调查。最后结合尽职调查结果以及风险评分、风险标签,综合确定出客户的风险等级,丰富了客户风险评估的数据量,提升了客户风险分类的准确性。通过自定义的客户标签规则对工作人员进行必要提醒,有效应对因客户基础信息缺失导致客户等级无法评定或定级较低的情况。
本说明书一些实施例中,所述装置还包括风险重评模块,用于:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
本说明书实施例通过及时关注客户洗钱风险变化情况,增加可疑预警、资金流向等负面信息源触发客户风险分类重评,动态调整客户风险分类,极大地减少了人力资源成本,提升反洗钱工作时效性。
本说明书一些实施例中,所述风险重评模块还用于:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
本说明书实施例在监控到待处理客户的行为信息中存在风险行为触发风险预警时,可以直接对待处理客户采取强化型尽职调查,确保客户交易的安全性,有效防范规避部分类别客户产生的洗钱风险或其他风险交易。
需要说明的,上述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种客户风险确定设备,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述实施例中的客户风险确定方法,如:
采集待处理客户的客户属性信息以及外部风险信息;
基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
需要说明的,上述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的上述实施例的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图6是本说明书一个实施例中客户风险确定服务器的硬件结构框图,该计算机终端可以是上述实施例中的客户风险确定服务器或客户风险确定处理装置。如图6所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图6中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图6所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的打车数据处理方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书实施例提供的上述客户风险确定方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
虽然本说明书一个或多个实施例提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (11)
1.一种客户风险确定方法,其特征在于,所述方法包括:
采集待处理客户的客户属性信息以及外部风险信息;
基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
在监控到所述待处理客户的行为信息触发风险预警时,对所述待处理客户进行强化型尽职调查。
5.如权利要求1所述的方法,其特征在于,所述根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级,包括:
根据所述风险评分、所述风险标签以及所述尽职调查结果利用朴素贝叶斯算法确定出所述待处理客户的风险等级。
6.如权利要求1所述的方法,其特征在于,所述根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果,包括:
若所述风险标签为高风险标签,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分大于第一预设阈值,则对所述待处理客户进行强化型尽职调查;
若所述风险标签为中高风险标签且所述风险评分小于所述第一预设阈值且大于第二预设阈值,则随机抽取指定数量的待处理客户进行基础型尽职调查,其他待处理客户进行强化型尽职调查;所述第二预设阈值小于所述第一预设阈值;
若所述风险标签为低风险标签且所述风险评分小于或等于所述第二预设阈值,则对所述待处理客户进行基础型尽职调查。
7.如权利要求1所述的方法,其特征在于,所述客户属性信息包括:客户基础特性信息、客户地域信息、业务信息、行业信息;
所述基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分,包括:
基于所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别确定出所述待处理客户的客户基础特性信息、客户地域信息、业务信息、行业信息分别对应的风险评分;
根据所述客户基础特性信息、所述客户地域信息、所述业务信息、所述行业信息分别对应的风险评分以及对应的信息权重,综合确定出所述待处理客户的风险评分。
8.一种客户风险确定装置,其特征在于,所述装置包括:
信息采集模块,用于采集待处理客户的客户属性信息以及外部风险信息;
风险评分模块,用于基于所述客户属性信息对所述待处理客户进行风险评估,确定出所述待处理客户的风险评分;
风险标签确定模块,用于基于所述外部风险信息以及预设的业务标签规则,确定出所述待处理客户的风险标签;其中,所述业务标签规则中包括标签类型以及标签内容的映射关系,其中标签内容包括客户的外部风险信息类型;
尽职调查模块,用于根据所述风险评分和所述风险标签,对所述待处理客户进行对应的尽职调查,获得所述待处理客户的尽职调查结果;
风险结果确定模块,用于根据所述风险评分、所述风险标签以及所述尽职调查结果确定出所述待处理客户的风险等级。
9.如权利要求8所述的装置,其特征在于,所述装置还包括风险重评模块,用于:
根据所述待处理客户的风险等级确定出所述待处理客户的风险重评频率;
根据所述风险重评频率每隔指定周期重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
10.如权利要求9所述的装置,其特征在于,所述风险重评模块还用于:
监控所述待处理客户的行为信息,若监控到所述待处理客户的行为信息触发风险预警,则对所述待处理客户进行风险重评,重新确定所述待处理客户的风险评分、风险标签以及尽职调查结果,并基于新的风险评分、风险标签以及尽职调查结果确定出所述待处理客户的风险等级,对所述待处理客户的风险等级进行更新。
11.一种客户风险确定设备,其特征在于,应用于服务器,设备包括至少一个处理器及用于存储处理器可执行指令的存储器,指令被处理器执行时实现包括上述权利要求1-7任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583740.2A CN113191890A (zh) | 2021-05-27 | 2021-05-27 | 客户风险确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110583740.2A CN113191890A (zh) | 2021-05-27 | 2021-05-27 | 客户风险确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113191890A true CN113191890A (zh) | 2021-07-30 |
Family
ID=76985366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110583740.2A Pending CN113191890A (zh) | 2021-05-27 | 2021-05-27 | 客户风险确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057910A (zh) * | 2023-10-11 | 2023-11-14 | 北京德塔精要信息技术有限公司 | 一种可视化的信用体系管理平台及其控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993144A (zh) * | 2017-11-30 | 2018-05-04 | 平安科技(深圳)有限公司 | 客户风险等级确定方法、装置、设备及可读存储介质 |
CN108171602A (zh) * | 2017-06-28 | 2018-06-15 | 永辉青禾商业保理(重庆)有限公司 | 应收账款保理业务风险模型的建立方法及装置 |
CN109360085A (zh) * | 2018-09-27 | 2019-02-19 | 中国银行股份有限公司 | 一种银行客户尽职调查方法及系统 |
CN110619573A (zh) * | 2019-09-23 | 2019-12-27 | 中国银行股份有限公司 | 一种客户尽职调查案例分配方法及装置 |
CN110738571A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种交易风险控制的方法以及相关装置 |
CN110826825A (zh) * | 2018-08-09 | 2020-02-21 | 南京策问信息技术有限公司 | 一种尽职调查的查验方法及系统 |
CN112085596A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 用户风险等级信息的确定方法及装置 |
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 |
CN112801780A (zh) * | 2021-03-19 | 2021-05-14 | 中国工商银行股份有限公司 | 基于联邦学习的境内外风险客户识别方法、装置及系统 |
-
2021
- 2021-05-27 CN CN202110583740.2A patent/CN113191890A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171602A (zh) * | 2017-06-28 | 2018-06-15 | 永辉青禾商业保理(重庆)有限公司 | 应收账款保理业务风险模型的建立方法及装置 |
CN107993144A (zh) * | 2017-11-30 | 2018-05-04 | 平安科技(深圳)有限公司 | 客户风险等级确定方法、装置、设备及可读存储介质 |
CN110826825A (zh) * | 2018-08-09 | 2020-02-21 | 南京策问信息技术有限公司 | 一种尽职调查的查验方法及系统 |
CN109360085A (zh) * | 2018-09-27 | 2019-02-19 | 中国银行股份有限公司 | 一种银行客户尽职调查方法及系统 |
CN110619573A (zh) * | 2019-09-23 | 2019-12-27 | 中国银行股份有限公司 | 一种客户尽职调查案例分配方法及装置 |
CN110738571A (zh) * | 2019-10-23 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 一种交易风险控制的方法以及相关装置 |
CN112085596A (zh) * | 2020-09-27 | 2020-12-15 | 中国建设银行股份有限公司 | 用户风险等级信息的确定方法及装置 |
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 |
CN112801780A (zh) * | 2021-03-19 | 2021-05-14 | 中国工商银行股份有限公司 | 基于联邦学习的境内外风险客户识别方法、装置及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057910A (zh) * | 2023-10-11 | 2023-11-14 | 北京德塔精要信息技术有限公司 | 一种可视化的信用体系管理平台及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200192894A1 (en) | System and method for using data incident based modeling and prediction | |
Ogwueleka | Data mining application in credit card fraud detection system | |
CN108062674B (zh) | 基于gps的订单欺诈识别方法、系统、存储介质和电子设备 | |
Ekina et al. | Application of bayesian methods in detection of healthcare fraud | |
Chen et al. | A hybrid approach of stepwise regression, logistic regression, support vector machine, and decision tree for forecasting fraudulent financial statements | |
Goldberg et al. | The NASD Securities Observation, New Analysis and Regulation System (SONAR). | |
CN111985937A (zh) | 交易商价值信息评估方法、系统、存储介质、计算机设备 | |
US20220383322A1 (en) | Clustering-based data selection for optimization of risk predictive machine learning models | |
US20230419402A1 (en) | Systems and methods of optimizing machine learning models for automated anomaly detection | |
Hafiz et al. | The use of predictive analytics technology to detect credit card fraud in Canada | |
Labanca et al. | Amaretto: An active learning framework for money laundering detection | |
Kolodiziev et al. | Automatic machine learning algorithms for fraud detection in digital payment systems | |
Khodabakhshi et al. | Fraud detection in banking using knn (k-nearest neighbor) algorithm | |
Sadgali et al. | Human behavior scoring in credit card fraud detection | |
US20240154975A1 (en) | Systems and methods for accelerating a disposition of digital dispute events in a machine learning-based digital threat mitigation platform | |
CN113191890A (zh) | 客户风险确定方法、装置及设备 | |
CN112669039A (zh) | 基于知识图谱的客户风险管控系统及方法 | |
Bian et al. | Financial fraud detection: a new ensemble learning approach for imbalanced data | |
Eweoya et al. | A Naive Bayes approach to fraud prediction in loan default | |
Reddy et al. | CNN-Bidirectional LSTM based Approach for Financial Fraud Detection and Prevention System | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN114049205A (zh) | 异常交易识别方法、装置、计算机设备和存储介质 | |
CN113592505A (zh) | 基于组合构建实现可疑交易场景模型识别处理的系统、方法、装置、处理器及其存储介质 | |
Zakirov et al. | Application of data mining in the banking sector | |
Lee et al. | Application of machine learning in credit risk scorecard |
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 |