CN114155080B - 一种欺诈识别方法、设备及存储介质 - Google Patents
一种欺诈识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114155080B CN114155080B CN202111150950.9A CN202111150950A CN114155080B CN 114155080 B CN114155080 B CN 114155080B CN 202111150950 A CN202111150950 A CN 202111150950A CN 114155080 B CN114155080 B CN 114155080B
- Authority
- CN
- China
- Prior art keywords
- target object
- data
- information
- judging whether
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 56
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000002441 reversible effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000001613 Gambling Diseases 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种欺诈识别方法、设备及存储介质,欺诈识别方法包括:响应于目标对象基于目标业务发出的业务请求,获取第一信息,第一信息包括目标对象的不同类型的信息;根据第一信息判断目标对象是否满足第一组预设条件,第一组预设条件包括至少两项用于认定目标对象为欺诈对象的条件;若目标对象满足第一组预设条件中任意一个条件,获取目标对象的第二信息,根据信息判断目标对象是否满足第二组预设条件,第二组预设条件中至少包括两项用于排除目标对象为欺诈对象的条件;若目标对象满足第二组预设条件中的任意两个条件,根据第三信息确定目标对象履行目标业务中的约定的能力;根据目标对象履行目标业务中的约定的能力响应业务请求。
Description
技术领域
本公开涉及数据分析技术领域,尤其涉及一种欺诈识别方法、设备及存储介质。
背景技术
目前,市场上大多数反欺诈技术都属于面向C端(指面向终端用户或消费者的产品)个人发放的消费类贷款。在大额信用、大额抵押类贷款中,缺少针对B端(指服务于组织的产品)企业的反欺诈全自动识别模型。由于B端企业客户群体中相对弱势的中小微企业,尤其缺乏各种线上数据,无法很好的满足线上自动化识别的目的,或者识别的依据不够充分,导致无法确定客户是否具有欺诈风险。
发明内容
有鉴于此,本公开的目的在于提出一种欺诈识别方法、设备及存储介质,以解决相关技术中无法确定客户是否具有欺诈风险的问题。
基于上述目的,本公开的第一方面提供了一种欺诈识别方法、设备及存储介质,包括:
响应于目标对象基于目标业务发出的业务请求,获取所述目标对象的第一信息,其中,所述第一信息中包括所述目标对象的不同类型的信息;
根据所述第一信息判断所述目标对象是否满足第一组预设条件,其中,所述第一组预设条件中包括至少两项用于认定所述目标对象为欺诈对象的条件;
响应于所述目标对象满足所述第一组预设条件中的任意一个条件,获取所述目标对象的第二信息,根据所述第二信息判断所述目标对象是否满足第二组预设条件,其中,所述第二组预设条件中至少包括两项用于排除所述目标对象为欺诈对象的条件;
响应于所述目标对象满足所述第二组预设条件中的任意两个条件,获取所述目标对象的第三信息,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,其中,所述第一信息、所述第二信息以及所述第三信息均不相同;
根据所述目标对象履行所述目标业务中的约定的能力响应所述业务请求。
本公开的第二方面提供了一种一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行第一方面所述的欺诈识别方法。
本申请的第三方面提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行第一方面所述的欺诈识别方法。
本公开一个或多个实施例提供的欺诈识别方法,可根据目标对象的第一信息,根据第一组预设条件初步确定目标对象是否为欺诈用户,再基于目标对象的第二信息,根据第二组预设条件判断是否可以排除目标对象为欺诈用户,以及,在排除了目标对象为欺诈用户时,再基于目标对象的第三信息再次确定目标对应是否具备履行目标业务中的约定的能力,最后根据目标对象是否具备履行目标业务中的约定的能力来响应目标对象的业务请求,从而多维度的识别目标对象发出的业务请求的风险,有效识别出欺诈行为,提高了业务审批的安全性。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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。
图1为本公开一个或多个实施例示出的欺诈识别方法的流程图;
图2为本公开一个或多个实施例示出的电子设备的框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。
图1是根据本公开一示例性实施例示出的一种欺诈识别方法的流程图,如图1所示,该方法包括:
步骤101:响应于目标对象基于目标业务发出的业务请求,获取所述目标对象的第一信息,其中,所述第一信息中包括所述目标对象的不同类型的信息;
可选的,目标业务例如可以是大额信用、大额抵押类贷款等金融业务。
可选的,目标对象例如可以包括企业以及个人。
步骤102:根据所述第一信息判断所述目标对象是否满足第一组预设条件,其中,所述第一组预设条件中包括至少两项用于认定所述目标对象为欺诈对象的条件;
可选的,第一信息中例如可以包括目标对象的身份信息以及目标对象提供的数据等。基于此,在确定出该第一信息中的任意信息虚假时,可初步确定目标对象为欺诈对象。
可选的,第一组预设条件例如用于确定目标对象是否提供虚假信息、虚构事实,或是存在欺诈类历史记录,使目标对象的本次申请完全不可信。
可选的,第一组预设条件中可包括预先设置的多个阈值,可将从第一信息中确定出的数值与相应数值及性能对比,以确定第一信息中的各信息是否满足第一组预设条件中的各条件。
步骤103:响应于所述目标对象满足所述第一组预设条件中的任意一个条件,获取所述目标对象的第二信息,根据所述第二信息判断所述目标对象是否满足第二组预设条件,其中,所述第二组预设条件中至少包括两项用于排除所述目标对象为欺诈对象的条件;
可选的,在步骤103中可根据第二信息排除目标对象为欺诈用户的可能性。第二组预设条件例如用于在目标对象在步骤102中被认定为欺诈对象时,为了提高判断结果的精准度,根据第二信息进行反向验证,如果根据第二信息可以确定目标对象为欺诈对象的事实不成立时,可推翻步骤102中的判断结果。
步骤104:响应于所述目标对象满足所述第二组预设条件中的任意两个条件,获取所述目标对象的第三信息,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,其中,所述第一信息、所述第二信息以及所述第三信息均不相同;
可选的,在步骤104中可根据第三信息确定在目标对象的身份信息、提供的数据均为真实的前提下,目标对象不具有履行目标业务中的约定的能力。
步骤105:根据所述目标对象履行所述目标业务中的约定的能力响应所述业务请求。
本公开一个或多个实施例提供的欺诈识别方法,可根据目标对象的第一信息,根据第一组预设条件初步确定目标对象是否为欺诈用户,再基于目标对象的第二信息,根据第二组预设条件判断是否可以排除目标对象为欺诈用户,以及,在排除了目标对象为欺诈用户时,再基于目标对象的第三信息再次确定目标对应是否具备履行目标业务中的约定的能力,最后根据目标对象是否具备履行目标业务中的约定的能力来响应目标对象的业务请求,从而多维度的识别目标对象发出的业务请求的风险,有效识别出欺诈行为,提高了业务审批的安全性。
在本公开的一个或多个实施例中,所述第一信息可包括:所述目标对象的身份信息、所述目标对象提供的数据、所述目标对象在发出所述业务请求之前的预设时间段内的第一行为数据,以及与所述目标对象具有关联关系的其他对象在所述预设时间段内的第二行为数据;根据所述第一信息判断所述目标对象是否满足第一组预设条件,包括:根据所述身份信息判断所述目标对象的身份是否异常,判断所述数据是否异常,根据所述第一行为数据判断所述目标对象发出所述业务请求的行为是否为欺诈行为,以及,根据所述第二行为数据判断与所述目标对象具有关联关系的其他对象在所述预设时间段内是否存在欺诈行为。
可选的,根据所述第一行为数据判断所述目标对象发出所述业务请求的行为是否为欺诈行为,可包括执行以下至少一种判断:
根据所述第一行为数据判断所述目标对象发出所述业务请求的时间是否异常;
根据所述第一行为数据判断所述目标对象申请金融业务的频率是否异常;
根据所述第一行为数据判断所述目标对象是否存在与所述业务请求相关的其他业务申请被拒;
根据所述第一行为数据判断所述目标对象的IP地址、联系方式以及身份证号以及地址中是否存在至少一项信息被记录在黑名单内。
可选的,根据所述第二行为数据判断与所述目标对象具有关联关系的其他对象在所述预设时间段内是否存在欺诈行为,可与根据所述第一行为数据判断所述目标对象发出所述业务请求的行为是否为欺诈行为的方式相同。
可选的,根据第一信息判断目标对象是否满足第一组预设条件例如可以包括以下至少两项:
当目标对象为企业时,对于企业身份特征,例如可以通过工商注册信息、工商变更信息、股权登记信息以及纳税信息等数据进行辨别,辨别手段包括但不限于以下几个方面:
当目标对象为企业时,企业是否无真实生产经营行为、企业是否已停工停产、企业是否是短时间内批量新设的关联企业中的一个,企业是否是意图通过多重股权关系掩盖实际控制人、企业是否是同一实际控制人间接持股企业。
在目标对象为个人时,对于个人身份特征,主要通过征信报告信息、运营商信息等数据进行辨别,判断目标对象是否为以下至少一种个人:
联系方式变更频繁的个人以及居住地点变更频繁的个人。
需要说明的是,对于上述行为特征,是否是客户正常的表现,通常会存在一定争议,对于符合正常情况的行为,是否会被判定为欺诈行为取决于该行为发生的频率、次数以及时间节点等信息是否超过正常合理范围,故,在第一组预设条件中,设置了通过大量数据验证而得出的合理的阈值,从而确保客户触发的行为特征符合判定标准。
在本公开的一个或多个实施例中,可通过以下至少一种方式判断所述数据是否异常:
将所述目标对象在所述预设时间段内的收入以及补缴税款与同行业其他企业在所述预设时间段内的收入以及补缴税款进行对比,得到第一对比结果,根据所述第一对比结果判断所述数据是否异常;例如,第一对比结果可以包括,目标对象在预设时间段内的收入与同行业其他企业在预设时间段内的收入的差值,以及目标对象在预设时间段内的补缴税款与同行业其他企业在预设时间段内的补缴税款的差值。同理,下文中其他对比结果可以包括对比对象之间的差值。
将所述目标对象在所述预设时间段内的主营业务收入与主营业务成本、费用、利润以及应纳税额之间的配比关系与第一历史配比关系进行对比,得到第二对比结果,根据所述第二对比结果判断所述数据是否异常;例如,第一历史配比关系为目标对象在其他时间段内的主营业务收入与主营业务成本、费用、利润以及应纳税额之间的配比关系。
将所述目标对象在所述预设时间段内的印花税应纳税额增长率与销售收入增长率的配比关系与第二历史配比关系进行对比,得到第三对比结果,根据所述第三对比结果判断所述数据是否异常;例如,第二历史配比关系为目标对象在其他时间段内的印花税应纳税额增长率与销售收入增长率的配比关系;
将所述目标对象在所述预设时间段内资源税应纳税额增长率与销售收入增长率之间的配比关系与第三历史配比关系进行对比,得到第四对比结果,根据所述第四对比结果判断所述数据是否异常;例如,第三历史配比关系为目标对象在其他时间段内资源税应纳税额增长率与销售收入增长率之间的配比关系。
将所述目标对象经营数据以及经营数据的变化趋势与预先设置的行业基准值进行对比,得到第五对比结果,根据所述第五对比结果判断所述数据是否异常。例如,预设设置的行业基准值可包括目标对象的经营数据,以及经营数据的变化趋势对应的数据。
在判断企业提供的数据是否异常时,可针对企业经营行为中的经营结果类数据,通过非组织性数据欺诈行为,由目标对象实施的骗贷行为进行判断。其中,非组织性数据欺诈行为根据欺诈目的可分为两类:
以经营性目的,以提高当期盈利为导向,主要表现为设置内账隐匿收入,虚增成本费用以及降低税负等;
以骗取贷款为目的,即数据欺诈会对线上税贷产品产生信贷风险,主要表现为虚增收入以及突击缴纳税款等。
非组织性数据欺诈行为的主要类型和表现可包括:
企业基于调节利润、降低税负等经营性目的,针对对收入进行造假的欺诈行为,例如,帐外销售、不开发票的收入以及隐匿收入等,通常数据的表现为数值虚低。
针对骗贷的欺诈行为,例如,虚构业务(包括虚构发票、虚构合同以及虚构单据等)、提前确认收入以及关联方虚假交易等,通常的数据表现为数值虚高。
企业基于调节利润等经营性目的,针对成本费用进行造假的欺诈行为,例如,虚估约当产量以及调整本期损益等处理手段 ,数据表现为数值虚低。又例如企业在虚增收入的同时,为了避免税负过高,而虚增成本费用,例如,虚增税前扣除项目,不按规定摊销等处理手段,数据表现为数值虚高。
企业针对税前利润进行的欺诈行为,例如,虚增成本费用或虚增收入等。
在本公开的一个或多个实施例中,对于目标对象提供的数据是否异常进行判断,主要针对以骗取贷款为目的的非组织性数据欺诈行为,可通过调研企业数据欺诈的主要类型和表现,分析数据欺诈的特性,并建立相应的应对策略。
如上所列举的非组织性数据主要考虑的数据欺诈行可包括两类,一类为虚增收入;另一类为突击补缴税款,虚增应纳税额。数据欺诈特征可包括两类,一类为突击性,即数据存在临时突击增加或减少的情况;另一类为变动不可匹配性,即存在关联性或勾稽关系的数据变量增减趋势不匹配,如收入增长与费用增长趋势失衡等。
在本公开的一个或多个实施例中,针对数据欺诈的特性,可分别通过纵向以及横向对比性分析排查数据异常以及欺诈的可能性。
纵向对比性分析:
将目标对象的数据与历史同期相关数据进行比较,比较分析方法分为以下两种:
季节性变化周期对比分析:
企业生产经营受季节的影响变化,经营情况会有淡旺季之分。拉通整个行业来看,以一个年度为时间单位,经营状态的季节性变化具有周期性。而企业虚增收入、补缴税款等行为会破坏数据季节性变动的周期性。
非主营业务收入突增分析:
通过非主营业务收入占比及变化趋势排查企业通过变卖资产等非主营业务虚增收入的可能性。
通过经营数据配比分析,分析方法可分为以下两种:
经营数据变动趋势配比分析:
针对没有成本费用投入,通过虚构业务达到虚增收入目的的行为,分析其主营业务收入与主营业务成本、费用、利润以及应纳税额变动幅度的配比。
特殊税种与经营数据的配比分析:
印花税(针对一些特殊行业):针对主营业务涉及需缴纳印花税的行业,通过分析印花税应纳税额增长率与销售收入增长率配比,评估纳税人印花税申报(贴花)纳税情况,排查企业没有规范性凭证支持的销售收入大幅增长的可能性。
资源税(针对一些特殊行业):针对主营业务涉及需缴纳资源税的行业,通过分析资源税应纳税额增长率与销售收入增长率之间的配比关系,评估纳税人资源税申报纳税情况,排查企业通过非主营业务虚增收入的可能性。
横向对比性分析:
行业对比性分析:
行业的经营状况以及发展趋势具有共性特征,将个体经营状况及变化趋势与行业基准值进行比较可以有效排查以骗取贷款为目的的数据欺诈行为。
行业基准值原则:
行业基准值的建立主要把握两个原则,分别为可比性原则以及动态性原则。
行业基准值的可比性原则:
在建立行业纳税评估模型时,应充分考虑可比性。可比性越大,数据越有行业代表性。行业基准值的建立可把控四个变量,分别是数量、时间、空间以及规模。
第一,在数量上,同行业样本量应达到一定数量。第二,在时间上,同行业样本的成立时间应该基本接近,否则在生产工艺、设备、技术等方面差别很大,也不具备可比性。第三,在空间上,由于受地域因素的影响,不同地理位置的同行业可能差别很大,因此同行业对比也建立在适当空间地域基础上,地域跨度越大,可比性越小。地域精确度,即地域的划分,主要取决于提供数据的税务行政机构的级别,同一省内可根据经济发展水平进行分档。第四,在规模上,同行业样本的大小规模不同,其生产经营模式可能迥异,也就没有可比性,可与同等规模的企业进行比较。
行业基准值的动态性原则:
可选的,行业基准值可以是动态的,需要经常进行维护,才能成为可比性强且有效的基准值。
根据评价时间范围的长短,行业基准值可分为年度更新基准值和实时更新基准值。年度更新基准值,主要用于考量当前申请业务的客户(为目标对象的一个示例)距离申请时间最近一个完整年度的数据表现,则行业基准值的评价年度应该保持一致,比如,2020年3月申请业务的客户,年度更新基准值的评价时间范围为2019年。实时更新基准值,主要用于考量距离申请日期近期的数据表现,具体更新频率,如月度更新或季度更新,需结合实际可操作性进行确定。
在本公开的一个或多个实施例中,判断所述目标对象在所述预设时间段内的是否存在欺诈行为,首先,行为欺诈是指通过挖掘客户在申请阶段的各类行为表现,判断客户是否存在异常行为特征,可说明客户具有明显欺诈的意图。基于此,根据所述第一行为数据判断所述目标对象在所述预设时间段内的是否存在欺诈行为,可包括执行以下至少一种判断:根据所述第一行为数据判断所述目标对象发出所述业务请求的时间是否异常;根据所述第一行为数据判断所述目标对象申请金融业务的频率是否异常;根据所述第一行为数据判断所述目标对象是否存在与所述业务请求相关的其他业务申请被拒;根据所述第一行为数据判断所述目标对象的IP地址、联系方式以及身份证号以及地址中是否存在至少一项信息被记录在黑名单内。
判断所述目标对象在所述预设时间段内的是否存在欺诈行为时,可对客户申请行为蕴含的数据进行分析识别,通过客户的申请行为表现与大多数客户的比较,发现客户存在的异常点,同时与第三方数据源黑名单进行匹配,识别客户是否存在异常申请特征。异常申请行为的判断标准可包括:申请时间节点发生于深夜或凌晨;短时间内重复提交申请,重复修改信息;申请客户的关联企业或对外投资企业同时提交申请;被其他银行以疑似欺诈原因拒绝信贷申请;异常申请特征的判断标准,会通过申请客户的真实属性与黑名单进行匹配来识别,黑名单例如可以包含:行内黑名单;某一金融机构的内部黑名单;外部第三方数据源黑名单。
可选的,目标对象的关联企业或对外投资企业满足上述第一组预设条件时,可确定目标对象同样满足上述第一组预设条件,应视为目标对象存在的欺诈风险。
当申请主体为企业时,关联企业的定义可分为如下三种情况:
申请企业的法人在其他企业有任职,任职情况包括法人、股东、高管,其他企业即为关联企业;
申请企业在其他企业有任职,任职情况包括股东,其他企业即为关联企业;
其他企业在申请企业任职股东,其他企业即为关联企业;
当申请主体为企业时,对外投资企业可分为如下两种情况:
申请企业的法人在其他企业有任职,任职情况包括法人、股东、高管,其他企业即为关联企业;
申请企业在其他企业有任职,任职情况包括股东,其他企业即为关联企业;
当申请主体为个体工商户时,关联企业和对外投资企业的定义为:
申请个体的经营者在其他企业有任职,任职情况包括法人、经营者、股东以及高管。
为防止关联企业或对外投资企业发生欺诈行为导致对申请客户带来的潜在影响,上述第一组预设条件对于关联企业或对外投资企业是否为欺诈对象的判断同样生效,如果申请客户不满足第一组预设条件中的任何一个条件,确定关联企业同样不满足第一组预设条件中的任意一个条件,关联企业满足第一组预设条件中的任意一个条件,同样视为申请企业也满足该条件,只有在申请客户与关联企业或对外投资企业均不满足第一组预设条件中的任何一个条件时,才能通过。
在本公开的一个或多个实施例中,响应于所述目标对象满足所述第一组预设条件中的任意一个条件,获取所述目标对象的第二信息,根据所述信息判断所述目标对象是否满足第二组预设条件可包括:响应于所述目标对象的身份信息异常,若所述目标对象为企业,获取企业数据,根据所述企业数据判断所述目标对象在所述预设时间段内是否与金融机构存在新的业务交互,所述目标对象在所述预设时间段内是否获得官方的表彰或奖励,所述目标对象在所述预设时间段内是否正常缴纳税款,所述目标对象在所述预设时间段内是否申报市场监管年报,若所述目标对象为个人,获取个人信息,根据所述个人信息判断所述目标对象在预设时间段内是否与金融机构存在新的业务交互,所述目标对象的个人居住地址的房屋是否为所述目标对象个人所有,所述目标对象的个人联系方式是否通过所述目标对象本人实名制,所述目标对象是否长期处于常住地;响应于所述数据异常,获取市场环境数据,根据所述市场环境数据确定所述目标对象是否由于市场环境导致季节性数据异常,确定所述目标对象是否由于行业变革导致数据异常,确定所述目标对象是否由于行业特性导致所述目标对象纳税异常,确定所述目标对象是否由于自身规模导致数据异常,确定所述目标对象是否与金融机构具有长期稳定且良性的合作,确定所述目标对象是否长期连续纳税,所述目标对象的经济权益凭证是否被投资方长期持有。。
例如,对于存在身份欺诈行为的客户,通过其他可信任的数据或直接证据,反向验证客户的身份是否真实有效。
对于企业身份欺诈,反向验证方式包括但不限于:企业近期内是否与金融机构发生新业务往来;企业近期内是否获得政府部门的各类表彰奖励; 企业近期内是否正常缴纳税款;企业近期内是否正常申报市场监管年报;
对于个人身份欺诈,反向验证方式包括但不限于:个人近期内是否与金融机构发生新业务往来;个人居住地址是否为自有房屋;个人手机号码是否为本人实名制所有;个人行动轨迹是否长期位于外省。
若目标对象的数据异常,反向验证方式包括但不限于:反向佐证策略,目的在于判断客户数据异常是否具有一定的合理性;稳定性排疑策略,目的在于通过其他数据源说明客户实际生产经营的持续性和稳定性。
其中,反向佐证策略,验证方式包括但不限于:排除宏观环境变化导致季节性变动异常;排除行业变革导致数据匹配性异常的情况:行业对比分析法;参考行业共性特征排除企业特殊税种纳税异常的情况:行业对比分析法;排查企业规模和行业地位导致行业差异率数据异常的情况。
其中,稳定性排疑策略,验证方式包括但不限于:与银行有长期稳定且良性的合作;长期连续纳税且保持较高的纳税遵从度;投资方长期持有并持看涨态度。
对于目标对象的行为欺诈,主要是通过明确的名单匹配、行为特征匹配来辨别,在数据来源真实有效的情况下,行为欺诈的结果是确定的,可无需再对命中结果进行验证。
在本公开的一个或多个实施例中,所述第三信息包括所述目标对象的历史业务数据、所述目标业务中约定的内容、信贷记录以及所述目标对象的历史行为数据,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,可包括:根据所述历史业务数据和/或所述信贷记录判断所述目标对象是否发生过欺诈类诉讼记录、欺诈类信贷记录以及欺诈类公共信息记录,得到判断结果;根据所述判断结果,确定所述目标对象是否具备主动履行所述约定的能力;根据所述目标业务中约定的内容确定所述目标对象的违约成本,根据所述违约成本确定所述目标对象是否具备被动履行所述约定的能力;根据所述信贷记录、所述历史业务数据以及所述目标对象的历史行为数据中的任意一项确定所述目标对象请求所述目标业务的意图是否异常,若所述目标对象请求所述目标业务的意图异常,确定所述目标对象不具备履行所述约定的能力。在本公开的一个或多个实施例中,根据所述信贷记录、所述历史业务数据以及所述目标对象的历史行为数据中的至少一项确定所述目标对象请求所述目标业务的意图是否异常,包括至少进行以下一种判断:根据所述信贷记录确定所述目标对象的债务压力,根据所述债务压力判断所述目标对象请求所述目标业务的意图是否异常;根据所述历史业务数据确定所述目标对象的资金压力,根据所述资金压力判断所述目标对象请求所述目标业务的意图是否异常;根据所述历史行为数据确定所述目标对象请求所述目标业务的意图是否异常。在客户的身份信息、提供的数据均为真实的前提下,即,在根据第二信息判断客户满足第二组预设条件中的至少两个条件的情况下,可通过客户的历史业务数据、历史行为数据以及目标业务中约定的内容确定客户是否缺乏实际还款意愿、或是准备挪用借款资金用于非经营行为。具体判断准则例如可包括如下两种:
还款意愿异常:客户数据真实的条件下,通过客户的历史信息、违约成本判断客户缺乏还款意愿;
借款用途异常:客户数据真实的条件下,通过客户的行为、历史记录信息、债务信息判断客户是否存在挪用借款资金的意图;
需要注意的是,由于在基于第一组预设条件进行判断以及对第三信息及性能判断时,均会使用到还款意愿和借款用途的信息,故,两次判断条件,或,所使用的具体信息有所区别。
可选的,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,可针对客户的两种极端情况,第一种为客户本身由于经营水平、隐性负债以及道德品质等原因,在申请贷款时做好了不还款的打算;第二种为客户真实借款目的是准备将贷款资金投入到法律法规监管要求禁止的领域,如赌博、股市、房地产项目等,本身借款动机不纯。
在本公开的一个或多个实施例中,还款意愿异常是指客户数据真实的前提下,通过历史数据、违约成本以及信贷记录等信息判断客户极其缺乏还款意愿,不足以承担本次贷款的风险。还款意愿异常根据客户的主动性可分为主动还款意愿异常以及被动还款意愿异常。
主动还款意愿异常是指客户在过往历史中发生过欺诈或疑似欺诈行为,从而被各类机构记录在案,通常以客户命中其他数据源欺诈黑名单,或存在历史欺诈类诉讼记录为判断标准,比如诉讼贷款诈骗罪、合同诈骗罪等。主动还款意愿异常可分为:发生过欺诈类诉讼记录、发生过欺诈类信贷记录以及发生过欺诈类公共信息记录。
被动还款意愿异常是指客户违约成本极低,假设不归还贷款,几乎不会对其生活产生任何影响,导致贷款发放后如果发生突发事件、或外部环境恶化等不可抗力因素,客户发生不归还贷款的可能性非常高。被动还款意愿异常可分为:违约成本低、无法催回贷款概率较高以及违约对客户的声誉造成影响小。在本公开的一个或多个实施例中,可在各类政府部门、行政机关、事业单位等权威部门发布的信息中,分别对以上几种情况进行排查,通过命中结果与信息名单的严重性,判断客户是否符合主动还款意愿异常的标准。例如,可以具有以下三类查询标准:
欺诈类诉讼记录可以各级人民法院发布的裁判文书为准,包括民事裁判文书、刑事裁判文书、行政裁判文书、执行裁定文书以及其他通用诉讼文书中包含以欺诈手段违反各项法律法规;
欺诈类信贷记录可以各类权威机构发布的征信报告为准,包括中国人民银行及其他正规征信机构对客户过往信贷历史的记录;
欺诈类公共信息记录可以上述两种情况以外的各类政府部门、行政机关、事业单位等权威部门发布的信息为准,包含客户在水电气、运营商、税务机关、工商机关、海关以及环保等方面的历史记录。
被动还款意愿异常的应对主要从客户的综合违约成本的成因考察,对于客户的生活水平、联系人信息、居住稳定性以及从业年限等方面进行全面衡量,评价客户的综合违约成本高低,从而判断是否存在被动还款意愿异常。衡量因素包括但不限于:历史和当前婚姻状态;直系亲属是否居住、工作、就学于同一区域;是否自有房产;本行业从业年限和实际工作年限;常用联系人是否稳定;是否存在隐性负债或被催收记录。
借款用途异常是指有数据或直接证据显示客户不准备将本次贷款资金投入正常的生产经营当中而是挪用至其他方面,从挪用资金的成因分析,可包括:债务行为导致以及非债务行为导致。
债务行为导致借款用途异常:
是指客户因为外部债务因素,准备将本次贷款资金用于偿还其他拖欠债务当中,导致本次借款动机不纯,且到期还款风险极大。可分为显性负债、隐性负债以及短期债务资金压力。
非债务行为导致借款用途异常:
是指客户虽然有正常生产经营的背景,但确不准备将贷款资金投入生产经营当中,而是准备将借款资金挪用至其他法律法规监管要求禁止的领域,如赌博、股市、房地产项目等,根据挪用目的,可分为:金融市场投资、房地产投资、不良嗜好以及民间放贷。
借款用途异常应对策略可分为债务行为与非债务行为导致的异常应对策略,同时还可通过受托支付对象的限制(受托支付对象必须是税务系统中存在贸易往来关系记录的企业,不允许受托支付给其他企业),控制贷款资金流向。
举例说明,判断客户是否有较大几率挪用贷款资金用于偿还其他债务,可基于以下至少一种信息方面进行判断:客户在未来N个月内是否存在债务到期;客户是否存在最近N个月内结清贷款金额;客户的综合负债变化幅度;客户的征信贷款审批/信用卡审批/保前审查查询记录;客户的网贷/小贷/担保公司借款记录;客户的银行账户每月贷款扣款记录和大额贷款到账记录,其中,N可以为一个预先设置的数值,客户的通话记录中是否存在催收公司/律师事务所/公检法频繁联系记录。
举例说明,还可通过对客户的行为习惯和网络留存信息,判断客户是否有不良嗜好或异常行为,推测客户挪用贷款用于其他用途的概率,可进行如下几种判断中的至少一种:判断用户近期是否经常浏览赌博网站或APP;判断用户近期是否有频繁往返赌博发达地区的交通记录;判断用户银行账户是否有股市资金结算记录;判断用户是否存在频繁大额进出账记录;判断用户是否存在房地产行业关联公司。
在本公开的一个或多个实施例中,根据所述目标对象履行所述目标业务中的约定的能力响应所述业务请求可包括:在确定所述目标对象满足以下至少一个条件时,确定所述业务请求不通过;不具备主动履行所述约定的能力、不具备被动履行所述约定的能力以及所述目标对象请求所述目标业务的意图异常。
本公开的一个或多个实施例还提供了一种电子设备,该电子设备包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行上述任意一种欺诈识别方法。
本公开的一个或多个实施例还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述任意一种欺诈识别方法。
需要说明的是,本公开实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
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。
图2示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图, 该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本公开的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本公开难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本公开难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本公开的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本公开的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (6)
1.一种欺诈识别方法,其特征在于,包括:
响应于目标对象基于目标业务发出的业务请求,获取所述目标对象的第一信息,其中,所述第一信息中包括所述目标对象的不同类型的信息;
根据所述第一信息判断所述目标对象是否满足第一组预设条件,其中,所述第一组预设条件中包括至少两项用于认定所述目标对象为欺诈对象的条件;
响应于所述目标对象满足所述第一组预设条件中的任意一个条件,获取所述目标对象的第二信息,根据所述第二信息判断所述目标对象是否满足第二组预设条件,其中,所述第二组预设条件中至少包括两项用于排除所述目标对象为欺诈对象的条件;
响应于所述目标对象满足所述第二组预设条件中的任意两个条件,获取所述目标对象的第三信息,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,其中,所述第一信息、所述第二信息以及所述第三信息均不相同;
根据所述目标对象履行所述目标业务中的约定的能力响应所述业务请求;
所述第一信息包括:所述目标对象的身份信息、所述目标对象提供的数据、所述目标对象在发出所述业务请求之前的预设时间段内的第一行为数据,以及与所述目标对象具有关联关系的其他对象在所述预设时间段内的第二行为数据;
根据所述第一信息判断所述目标对象是否满足第一组预设条件,包括:
根据所述身份信息判断所述目标对象的身份是否异常,判断所述数据是否异常,根据所述第一行为数据判断所述目标对象发出所述业务请求的行为是否为欺诈行为,以及,根据所述第二行为数据判断与所述目标对象具有关联关系的其他对象在所述预设时间段内是否存在欺诈行为;
响应于所述目标对象满足所述第一组预设条件中的任意一个条件,获取所述目标对象的第二信息,根据所述第二信息判断所述目标对象是否满足第二组预设条件,包括:
响应于所述目标对象的身份信息异常,若所述目标对象为企业,获取企业数据,根据所述企业数据判断所述目标对象在所述预设时间段内是否与金融机构存在新的业务交互,所述目标对象在所述预设时间段内是否获得政府部门的表彰或奖励,所述目标对象在所述预设时间段内是否正常缴纳税款,所述目标对象在所述预设时间段内是否申报市场监管年报,若所述目标对象为个人,获取个人信息,根据所述个人信息判断所述目标对象在预设时间段内是否与金融机构存在新的业务交互,所述目标对象的个人居住地址的房屋是否为所述目标对象个人所有,所述目标对象的个人联系方式是否通过所述目标对象本人实名制,所述目标对象是否长期处于常住地;
响应于所述数据异常,获取市场环境数据,根据所述市场环境数据确定所述目标对象是否由于市场环境导致季节性数据异常,确定所述目标对象是否由于行业变革导致数据异常,确定所述目标对象是否由于行业特性导致所述目标对象纳税异常,确定所述目标对象是否由于自身规模导致数据异常,确定所述目标对象是否与金融机构具有长期稳定且良性的合作,确定所述目标对象是否长期连续纳税,所述目标对象的经济权益凭证是否被投资方长期持有;
所述第三信息包括所述目标对象的历史业务数据、所述目标业务中约定的内容、信贷记录以及所述目标对象的历史行为数据,根据所述第三信息确定所述目标对象履行所述目标业务中的约定的能力,包括:
根据所述历史业务数据和/或所述信贷记录判断所述目标对象是否发生过欺诈类诉讼记录、欺诈类信贷记录以及欺诈类公共信息记录,得到判断结果;
根据所述判断结果,确定所述目标对象是否具备主动履行所述约定的能力;
根据所述目标业务中约定的内容确定所述目标对象的违约成本,根据所述违约成本确定所述目标对象是否具备被动履行所述约定的能力;
根据所述信贷记录、所述历史业务数据以及所述目标对象的历史行为数据中的任意一项确定所述目标对象请求所述目标业务的意图是否异常,若所述目标对象请求所述目标业务的意图异常,确定所述目标对象不具备履行所述约定的能力;
根据所述目标对象履行所述目标业务中的约定的能力响应所述业务请求,包括:
在确定所述目标对象满足以下至少一个条件时,确定所述业务请求不通过;
不具备主动履行所述约定的能力、不具备被动履行所述约定的能力以及所述目标对象请求所述目标业务的意图异常。
2.根据权利要求1所述的方法,其特征在于,通过以下至少一种方式判断所述数据是否异常:
将所述目标对象在所述预设时间段内的收入以及补缴税款与同行业其他企业在所述预设时间段内的收入以及补缴税款进行对比,得到第一对比结果,根据所述第一对比结果判断所述数据是否异常;
将所述目标对象在所述预设时间段内的主营业务收入与主营业务成本、费用、利润以及应纳税额之间的配比关系与第一历史配比关系进行对比,得到第二对比结果,根据所述第二对比结果判断所述数据是否异常;
将所述目标对象在所述预设时间段内的印花税应纳税额增长率与销售收入增长率的配比关系与第二历史配比关系进行对比,得到第三对比结果,根据所述第三对比结果判断所述数据是否异常;
将所述目标对象在所述预设时间段内资源税应纳税额增长率与销售收入增长率之间的配比关系与第三历史配比关系进行对比,得到第四对比结果,根据所述第四对比结果判断所述数据是否异常;
将所述目标对象的经营数据以及经营数据的变化趋势与预先设置的行业基准值进行对比,得到第五对比结果,根据所述第五对比结果判断所述数据是否异常。
3.根据权利要求1所述的方法,其特征在于,根据所述第一行为数据判断所述目标对象发出所述业务请求的行为是否为欺诈行为,包括执行以下至少一种判断:
根据所述第一行为数据判断所述目标对象发出所述业务请求的时间是否异常;
根据所述第一行为数据判断所述目标对象申请金融业务的频率是否异常;
根据所述第一行为数据判断所述目标对象是否存在与所述业务请求相关的其他业务申请被拒;
根据所述第一行为数据判断所述目标对象的网际互连协议IP地址、联系方式以及身份证号以及地址中是否存在至少一项信息被记录在黑名单内。
4.根据权利要求1所述的方法,其特征在于,根据所述信贷记录、所述历史业务数据以及所述目标对象的历史行为数据中的任意一项确定所述目标对象请求所述目标业务的意图是否异常,包括至少进行以下一种判断:
根据所述信贷记录确定所述目标对象的债务压力,根据所述债务压力判断所述目标对象请求所述目标业务的意图是否异常;
根据所述历史业务数据确定所述目标对象的资金压力,根据所述资金压力判断所述目标对象请求所述目标业务的意图是否异常;
根据所述历史行为数据确定所述目标对象请求所述目标业务的意图是否异常。
5.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行权利要求1至4任一项所述的欺诈识别方法。
6.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至4任一所述的欺诈识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150950.9A CN114155080B (zh) | 2021-09-29 | 2021-09-29 | 一种欺诈识别方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150950.9A CN114155080B (zh) | 2021-09-29 | 2021-09-29 | 一种欺诈识别方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155080A CN114155080A (zh) | 2022-03-08 |
CN114155080B true CN114155080B (zh) | 2024-06-18 |
Family
ID=80462274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150950.9A Active CN114155080B (zh) | 2021-09-29 | 2021-09-29 | 一种欺诈识别方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155080B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017875B (zh) * | 2022-08-09 | 2022-11-25 | 建信金融科技有限责任公司 | 企业信息处理方法、装置、系统、设备和介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7992204B2 (en) * | 2004-05-02 | 2011-08-02 | Markmonitor, Inc. | Enhanced responses to online fraud |
US8966659B2 (en) * | 2013-03-14 | 2015-02-24 | Microsoft Technology Licensing, Llc | Automatic fraudulent digital certificate detection |
CN107785058A (zh) * | 2017-07-24 | 2018-03-09 | 平安科技(深圳)有限公司 | 反欺诈识别方法、存储介质和承载平安脑的服务器 |
CN110009479B (zh) * | 2019-03-01 | 2021-02-19 | 百融云创科技股份有限公司 | 信用评价方法及装置、存储介质、计算机设备 |
CN110232524A (zh) * | 2019-06-14 | 2019-09-13 | 哈尔滨哈银消费金融有限责任公司 | 社交网络欺诈模型的构建方法、防欺诈方法和装置 |
CN111143665B (zh) * | 2019-10-15 | 2023-07-14 | 支付宝(杭州)信息技术有限公司 | 一种欺诈的定性方法、装置及设备 |
CN110648670B (zh) * | 2019-10-22 | 2021-11-26 | 中信银行股份有限公司 | 欺诈识别方法、装置、电子设备及计算机可读存储介质 |
CN112053221A (zh) * | 2020-08-14 | 2020-12-08 | 百维金科(上海)信息科技有限公司 | 一种基于知识图谱的互联网金融团伙欺诈行为检测方法 |
-
2021
- 2021-09-29 CN CN202111150950.9A patent/CN114155080B/zh active Active
Non-Patent Citations (2)
Title |
---|
Yuanfeng Cai,等.Fraud detections for online business: a perspective from blockchain technology.《financial innovation》.2016,第2卷第1-10页. * |
数字化欺诈与金融科技反欺诈的应用;郝光昊;《税务与经济》;20191231(第6期);第40-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114155080A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeFusco | Homeowner borrowing and housing collateral: New evidence from expiring price controls | |
Liu et al. | Corruption and state and local government debt expansion | |
Brooks et al. | Categories, creditworthiness, and contagion: How investors' shortcuts affect sovereign debt markets | |
CN110020786B (zh) | 业务处理、风控识别方法、装置及设备 | |
US20150066772A1 (en) | Integrated risk assessment and management system | |
US20130325599A1 (en) | Account review trigger feature | |
US20150081522A1 (en) | System and method for automatically providing a/r-based lines of credit to businesses | |
US8805730B2 (en) | Trigger data quality monitor | |
US20130325679A1 (en) | Production and maintenance feature for account related triggers | |
US20130325604A1 (en) | Providing offers in response to determination of triggers | |
US20130325716A1 (en) | Trigger feature for increasing transaction depth and account breadth | |
US20130325713A1 (en) | User retention trigger feature | |
US8688572B2 (en) | Financial account related trigger feature for risk mitigation | |
CN114155080B (zh) | 一种欺诈识别方法、设备及存储介质 | |
Muslih et al. | Financial technology: digital legal challenges and Indonesia's economic prospects after Covid-19 outbreak | |
Robertson | Managing operational risk: Practical strategies to identify and mitigate operational risk within financial institutions | |
Ramirez | Regulation and the payday lending industry | |
Singla et al. | Decree or democracy? State takeovers and local government financial outcomes | |
CN116934131A (zh) | 一种企业经营状况评估方法、装置及设备 | |
Lee | Fixed‐rate mortgages, labor markets, and efficiency | |
Breeden et al. | Impacts of Covid-19 on model risk management | |
Sharma | Operational risk modeling-Approaches and responses | |
Pérez‐Cavazos | Consequences of debt forgiveness: Strategic default contagion and lender learning | |
Pešout et al. | Insurance Fraud Management as an Integrated Part of Business Intelligence Framework | |
CN111681101A (zh) | 一种客体的准入检测方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant |