CN116245629A - 银行员工套现行为的识别方法、装置、模型训练方法 - Google Patents
银行员工套现行为的识别方法、装置、模型训练方法 Download PDFInfo
- Publication number
- CN116245629A CN116245629A CN202211649303.7A CN202211649303A CN116245629A CN 116245629 A CN116245629 A CN 116245629A CN 202211649303 A CN202211649303 A CN 202211649303A CN 116245629 A CN116245629 A CN 116245629A
- Authority
- CN
- China
- Prior art keywords
- employee
- credit card
- transaction
- information
- transaction 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 74
- 238000012549 training Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010205 computational analysis Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q40/08—Insurance
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
本公开提供了银行员工套现行为的识别方法、装置、模型训练方法,涉及数据处理技术领域。具体实现方案为:获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;将员工基础信息和信用卡交易信息输入信用卡套现模型;基于员工基础信息进行分析得到员工风险综合评级;基于信用卡交易信息提取多个交易特征,并基于多个交易特征进行初步计算分析筛选出信用卡交易信息中的疑点交易信息;基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单。本公开可以针对员工套现行为进行精准地识别,提升员工行为管理实效。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及基于深度学习的数据处理方法,尤其涉及银行员工套现行为的识别方法、装置、模型训练方法。
背景技术
目前,银行业金融机构对客户信用卡套现行为的识别和管控主要是基于风险管理需要,基于机构自身风险偏好,运用大数法则对客户进行标签化管理。针对员工信用卡套现的识别,一般采取颗粒度较粗的管理模式,尚未形成一套成熟、准确、有针对性的员工套现行为识别方法。
基于客户的套现风险识别,主要基于风险偏好和大数法则,由于银行客户没有配合银行证明交易真实性的义务,故以客户为识别目标的模型一般不具备充分的可证伪性,且无法定位到具体的疑点交易记录。如直接应用于银行内部员工行为管理,后续的核查工作难以开展,在银行业“强监管”的背景下不利于压实员工行为管理责任。
发明内容
本公开提供了一种用于识别银行员工套现行为的方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种银行员工套现行为的识别方法,包括:
获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
将所述员工基础信息和所述信用卡交易信息输入信用卡套现模型;
基于所述员工基础信息进行分析得到员工风险综合评级;
基于所述信用卡交易信息提取多个交易特征,并基于所述多个交易特征进行初步计算分析筛选出所述信用卡交易信息中的疑点交易信息;
基于所述员工风险综合评级和所述多个交易特征对所述疑点交易信息进行识别,输出可疑员工名单。
根据本公开的第二方面,提供了一种信用卡套现模型的训练方法,应用于训练上述技术方案中任意一项所述的信用卡套现模型,包括:
获取员工基础信息和信用卡交易信息,并提取多个特征变量;
对提取到的所述多个特征变量进行数据预处理;
从所述信用卡交易信息中获取已识别出的套现数据,将所述套现数据作为训练样本;
基于所述训练样本从所述多个特征变量中筛选出与员工套现行为相关的显著特征变量;
将所述训练样本对应的所述显著特征变量输入逻辑回归模型进行机器学习训练、测试以及模型评估,得到所述信用卡套现模型。
根据本公开的第三方面,提供了一种银行员工套现行为的识别装置,包括:
获取模块,被配置为获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
输入模块,被配置为将所述员工基础信息和所述信用卡交易信息输入信用卡套现模型;
员工风险分析模块,被配置为基于所述员工基础信息进行分析得到员工风险综合评级;
交易特征分析模块,被配置为基于所述信用卡交易信息提取多个交易特征,并基于所述多个交易特征进行初步计算分析筛选出所述信用卡交易信息中的疑点交易信息;
可疑交易识别模块,被配置为基于所述员工风险综合评级和所述多个交易特征对所述疑点交易信息进行识别,输出可疑员工名单。
根据本公开的第四方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述技术方案中任一项所述的识别方法或所述的训练方法。
根据本公开的第五方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述技术方案中任一项所述的识别方法或所述的训练方法。
根据本公开的第六方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述技术方案中任一项所述的识别方法或所述的训练方法。
本公开提供了银行员工套现行为的识别方法、装置以及用于识别员工套现行为的信用卡套现模型,可以针对员工套现行为进行精准地识别,提升员工行为管理实效。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例中的银行员工套现行为的识别方法的步骤示意图;
图2是本公开实施例中的银行员工套现行为的识别方法的流程图;
图3是本公开实施例中的信用卡套现模型训练方法的步骤示意图;
图4是本公开实施例中的信用卡套现模型训练过程中的ROC曲线图;
图5是本公开实施例中的银行员工套现行为的识别装置的原理框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,业内尚未出现针对员工套现行为进行识别的方法,针对该技术问题,本公开提供了一种银行员工套现行为的识别方法,如图1所示,包括:
步骤S101,获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
步骤S102,将员工基础信息和信用卡交易信息输入信用卡套现模型;
步骤S103,基于员工基础信息进行分析得到员工风险综合评级;
步骤S104,基于信用卡交易信息提取多个交易特征,并基于多个交易特征进行初步计算分析筛选出信用卡交易信息中的疑点交易信息;
步骤S105,基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单。
具体地,员工套现行为的判断依据很重要的一个方面是个体行为特征,可以通过将员工基础信息进行整合,得出员工风险综合评级,在识别员工套现行为时作为一个参考指标。示例性地,本实施例中的对员工进行员工风险综合评级是指基于各项员工基础信息进行综合评价,例如考察员工的负债状况,通常员工的负债越高,其风险等级也越高。可以依据风险程度将员工风险综合评级划分为A、B、C、D四个等级,对于资产状况良好并且无历史违规或违约记录等负面评价的员工,可以评为A级,对于负债较高,并且名下有违约记录的可以评为D级。此外,作为另一种可选的实施方式,还可以利用模型基于员工基础信息计算得到每个员工的风险概率,例如针对某员工的各项基础信息计算得到该员工的套现概率为60%。
同时,对信用卡交易信息的交易特征进行初步计算分析,计算各个交易特征对应的数值,初步框定偏离平均值较大的区间,例如,统计POS机交易金额占所有消费交易的金额占比一般介于30%~50%之间,那对于POS机交易金额占所有消费交易的金额占比达到80%甚至更高的信用卡交易信息,明显偏离这个正常区间,可以判断为疑点交易信息,此时,也可以针对该区间设定模型阈值,例如设置为50%,在后续识别过程中,若超过模型阈值50%,那么可以判断为员工存在套现行为。进一步地,在计算得到员工风险综合评价和疑点交易信息之后,可以结合员工风险综合评价针对疑点交易信息进行精确地计算分析,判断各个交易特征是否达到对应的模型阈值,若达到对应的模型阈值,则判断为套现行为,从而筛选出可疑员工名单,可疑员工名单可以在员工管理系统中存档,作为再次进行人工筛查的依据。
基于模型思路,建立一套疑点交易数据核查流程,基于模型识别出的可疑员工名单,通过员工访谈,实地走访、电话核实疑点交易商户,记录商户地点、实际经营范围、所用POS机具等关键核查信息,最终收集和反馈核查结果,最终形成“套现模型监测-疑点数据下发-可疑交易核查-后台数据验证-模型参数/阈值调整”的员工套现监测管理闭环。在模型识别得到可疑员工名单的基础上进行人工筛查,有助于提高员工套现行为识别的准确度,也可以节省核查人员的工作量。
本公开在严格遵循《个人信息保护法》相关法律法规,同时取得员工本人充分授权的前提下,聚焦信用卡交易,将专家规则与聚类算法相结合,通过模型规则定位到具体的可疑交易,便于后续开展核查确认工作。针对银行员工的套现行为进行准确地识别,达到进一步提升员工行为管理实效。
作为可选的实施方式,步骤S105,基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单之后,还包括:
基于疑点交易信息以及与疑点交易信息关联的套现台账信息生成员工行为查证单。
本实施例中可以通过Python语言编写辅助程序,按照银行内部查证单模板,将套现台账信息、疑点交易信息自动化生成员工行为查证单,并将查证单发送到员工所在机构进行实地核查,按照预设的模板形成统一的员工行为查证单,便于银行的内部管理。
作为可选的实施方式,员工基础信息包括但不限于以下至少一项:员工所在部门;员工岗位;员工资产负债;员工信用评级;员工信用卡额度;员工的各类风险标签。如图2所示,信用卡交易信息可以包括信用卡信息和借记卡信息,信用卡信息和借记卡信息至少包括:账户信息;交易信息;负债信息;资产信息。
作为可选的实施方式,步骤S104,基于多个交易特征进行初步计算分析筛选出信用卡交易信息中的疑点交易信息包括:
基于信用卡持卡人和信用卡还款机构分类统计还款金额,其中,包括统计偿还本行本人信用卡、本行他人信用卡、他行本人信用卡、他人他行信用卡,并分别统计出实际月均还款额和实际还款月份数;
基于偿还本人信用卡和代还他人信用卡进行分组,利用本行信用卡交易流水统计POS机交易金额占所有消费交易的金额占比,通过统计分析框定数据偏离度较大的占比区间,设定模型阈值,提取所述疑点交易信息。
标识以第三方支付机构作为收单方的信用卡交易信息。
具体地,在步骤S104中,对信用卡交易信息进行了初步的特征提取及计算分析,对交易特征进行了统计分析,框定了大致的可疑交易范围,筛选出明确偏离正常区间的信用卡交易信息,标记为疑点交易信息。由于系统需要对大量的信用卡交易信息进行套现识别,模型的计算量是非常大的,可能导致模型的计算时延长,因此,基于交易特征进行初步的统计分析,筛选出疑点交易信息,可以显著地降低模型在识别过程中的计算量,将明确没有异常的信用卡信息排除,仅对疑点交易信息进行精确识别,也避免浪费大量的计算资源,提升模型识别的效率。
作为可选的实施方式,基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单包括:
基于套现概率公式计算出所有在职员工的套现概率指标:
其中,xi表示信用卡套现模型训练过程中获取的特征变量;k0表示信用卡套现模型的截距项,通过模型的intercept_属性获取;ki表示特征变量的系数,通过模型的coef_属性获取;
基于计算出的套现概率指标是否达到信用卡套现模型的模型阈值筛选出可疑员工名单。
在本实施例中,通过员工套现概率指标筛选出套现可疑员工名单,基于员工交易明细,统计核查期间内的支付机构集中度、交易商户集中度、同一支付机构、交易商户的金额及笔数占比情况,并结合POS机交易金额占比、实际月均还款额、实际消费月份数规则进行筛选,当核查周期内达到设定的模型阈值,则判断为员工存在套现行为,可监测员工本人卡套现和利用他人卡套现两种情形。
需要说明的是,本公开中的模型阈值可以设定和调整,除偏离度分析外,目前主要基于两个方面:一是现有疑点交易非现场(远程非实地)人工筛查资源;二是核查确认结果反馈。模型阈值可以定期进行更新,在每一次识别后,可以利用套现数据进行分析,对模型阈值进行更新,不断地对模型进行优化,从而确保模型识别的准确度。
本公开还提供了一种信用卡套现模型的训练方法,如图3所示,应用于训练上述任一识别方法中所使用的信用卡套现模型,包括:
步骤S301,获取员工基础信息和信用卡交易信息,并提取多个特征变量;
步骤S302,对提取到的多个特征变量进行数据预处理;
步骤S303,从信用卡交易信息中获取已识别出的套现数据,将套现数据作为训练样本;
步骤S304,基于训练样本从多个特征变量中筛选出与员工套现行为相关的显著特征变量;
步骤S305,将训练样本对应的显著特征变量输入逻辑回归模型进行机器学习训练、测试以及模型评估,得到信用卡套现模型。
具体地,首先对员工的基础信息、信用卡交易信息的相关特征变量(约160+个)进行数据预处理,预处理包括:数据标准化、数据类型转换、缺失值、重复值及异常值处理等。然后,将前期已识别的套现数据作为训练样本,通过逻辑回归模型进行机器学习训练和测试,提取具有显著特征的变量,并通过ROC(receiver operating characteristic curve,受试者工作特征曲线)曲线进行模型评估。通过不断挑选特征变量,重复模型训练、调优测试,直到模型具有较强的区分能力,如图4所示,例如某次模型训练和测试选取数据样本1.35万条,测试样本占其中的20%,对应模型AUC的值(ROC曲线下方的面积)为0.81。
本公开还提供了一种银行员工套现行为的识别装置,如图5所示,包括:
获取模块501,被配置为获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
输入模块502,被配置为将员工基础信息和信用卡交易信息输入信用卡套现模型;
员工风险分析模块503,被配置为基于员工基础信息进行分析得到员工风险综合评级;
交易特征分析模块504,被配置为基于信用卡交易信息提取多个交易特征,并基于多个交易特征进行初步计算分析筛选出信用卡交易信息中的疑点交易信息;
可疑交易识别模块505,被配置为基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单。
具体地,员工套现行为的判断依据很重要的一个方面是个体行为特征,可以通过将员工基础信息进行整合,得出员工风险综合评级,在识别员工套现行为时作为一个参考指标。示例性地,本实施例中的对员工进行员工风险综合评级是指基于各项员工基础信息进行综合评价,例如考察员工的负债状况,通常员工的负债越高,其风险等级也越高。可以依据风险程度将员工风险综合评级划分为A、B、C、D四个等级,对于资产状况良好并且无历史违规或违约记录等负面评价的员工,可以评为A级,对于负债较高,并且名下有违约记录的可以评为D级。此外,作为另一种可选的实施方式,还可以利用模型基于员工基础信息计算得到每个员工的风险概率,例如针对某员工的各项基础信息计算得到该员工的套现概率为60%。
同时,对信用卡交易信息的交易特征进行初步计算分析,计算各个交易特征对应的数值,初步框定偏离平均值较大的区间,例如,统计POS机交易金额占所有消费交易的金额占比一般介于30%~50%之间,那对于POS机交易金额占所有消费交易的金额占比达到80%甚至更高的信用卡交易信息,明显偏离这个正常区间,可以判断为疑点交易信息,此时,也可以针对该区间设定模型阈值,例如设置为50%,在后续识别过程中,若超过模型阈值50%,那么可以判断为员工存在套现行为。进一步地,在计算得到员工风险综合评价和疑点交易信息之后,可以结合员工风险综合评价针对疑点交易信息进行精确地计算分析,判断各个交易特征是否达到对应的模型阈值,若达到对应的模型阈值,则判断为套现行为,从而筛选出可疑员工名单,可疑员工名单可以在员工管理系统中存档,作为再次进行人工筛查的依据。
基于模型思路,建立一套疑点交易数据核查流程,基于模型识别出的可疑员工名单,通过员工访谈,实地走访、电话核实疑点交易商户,记录商户地点、实际经营范围、所用POS机具等关键核查信息,最终收集和反馈核查结果,最终形成“套现模型监测-疑点数据下发-可疑交易核查-后台数据验证-模型参数/阈值调整”的员工套现监测管理闭环。在模型识别得到可疑员工名单的基础上进行人工筛查,有助于提高员工套现行为识别的准确度,也可以节省核查人员的工作量。
本公开在严格遵循《个人信息保护法》相关法律法规,同时取得员工本人充分授权的前提下,聚焦信用卡交易,将专家规则与聚类算法相结合,通过模型规则定位到具体的可疑交易,便于后续开展核查确认工作。针对银行员工的套现行为进行准确地识别,达到进一步提升员工行为管理实效。
作为可选的实施方式,可疑交易识别模块505基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单之后,还包括:
基于疑点交易信息以及与疑点交易信息关联的套现台账信息生成员工行为查证单。
本实施例中可以通过Python语言编写辅助程序,按照银行内部查证单模板,将套现台账信息、疑点交易信息自动化生成员工行为查证单,并将查证单发送到员工所在机构进行实地核查,按照预设的模板形成统一的员工行为查证单,便于银行的内部管理。
作为可选的实施方式,员工基础信息包括但不限于以下至少一项:员工所在部门;员工岗位;员工资产负债;员工信用评级;员工信用卡额度;员工的各类风险标签。如图2所示,信用卡交易信息可以包括信用卡信息和借记卡信息,信用卡信息和借记卡信息至少包括:账户信息;交易信息;负债信息;资产信息。
作为可选的实施方式,交易特征分析模块504基于多个交易特征进行初步计算分析筛选出信用卡交易信息中的疑点交易信息包括:
基于信用卡持卡人和信用卡还款机构分类统计还款金额,其中,包括统计偿还本行本人信用卡、本行他人信用卡、他行本人信用卡、他人他行信用卡,并分别统计出实际月均还款额和实际还款月份数;
基于偿还本人信用卡和代还他人信用卡进行分组,利用本行信用卡交易流水统计POS机交易金额占所有消费交易的金额占比,通过统计分析框定数据偏离度较大的占比区间,设定模型阈值,提取所述疑点交易信息。
标识以第三方支付机构作为收单方的信用卡交易信息。
具体地,交易特征分析模块504对信用卡交易信息进行了初步的特征提取及计算分析,对交易特征进行了统计分析,框定了大致的可疑交易范围,筛选出明确偏离正常区间的信用卡交易信息,标记为疑点交易信息。由于系统需要对大量的信用卡交易信息进行套现识别,模型的计算量是非常大的,可能导致模型的计算时延长,因此,基于交易特征进行初步的统计分析,筛选出疑点交易信息,可以显著地降低模型在识别过程中的计算量,将明确没有异常的信用卡信息排除,仅对疑点交易信息进行精确识别,也避免浪费大量的计算资源,提升模型识别的效率。
作为可选的实施方式,可疑交易识别模块505基于员工风险综合评级和多个交易特征对疑点交易信息进行识别,输出可疑员工名单包括:
基于套现概率公式计算出所有在职员工的套现概率指标:
其中,xi表示信用卡套现模型训练过程中获取的特征变量;k0表示信用卡套现模型的截距项,通过模型的intercept_属性获取;ki表示特征变量的系数,通过模型的coef_属性获取;
基于计算出的套现概率指标是否达到信用卡套现模型的模型阈值筛选出可疑员工名单。
在本实施例中,通过员工套现概率指标筛选出套现可疑员工名单,基于员工交易明细,统计核查期间内的支付机构集中度、交易商户集中度、同一支付机构、交易商户的金额及笔数占比情况,并结合POS机交易金额占比、实际月均还款额、实际消费月份数规则进行筛选,当核查周期内达到设定的模型阈值,则判断为员工存在套现行为,可监测员工本人卡套现和利用他人卡套现两种情形。
需要说明的是,本公开中的模型阈值可以设定和调整,除偏离度分析外,目前主要基于两个方面:一是现有疑点交易非现场(远程非实地)人工筛查资源;二是核查确认结果反馈。模型阈值可以定期进行更新,在每一次识别后,可以利用套现数据进行分析,对模型阈值进行更新,不断地对模型进行优化,从而确保模型识别的准确度。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
具体地,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备包括计算单元,其可以根据存储在只读存储器(ROM)中的计算机程序或者从存储单元加载到随机访问存储器(RAM)中的计算机程序,来执行各种适当的动作和处理。在RAM中,还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元执行上文所描述的各个方法和处理,例如上述实施例中的识别方法或模型训练方法。例如,在一些实施例中,识别方法或模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由计算单元执行时,可以执行上文描述的识别方法或模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行识别方法或模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的识别方法或模型训练方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种银行员工套现行为的识别方法,其特征在于,包括:
获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
将所述员工基础信息和所述信用卡交易信息输入信用卡套现模型;
基于所述员工基础信息进行分析得到员工风险综合评级;
基于所述信用卡交易信息提取多个交易特征,并基于所述多个交易特征进行初步计算分析筛选出所述信用卡交易信息中的疑点交易信息;
基于所述员工风险综合评级和所述多个交易特征对所述疑点交易信息进行识别,输出可疑员工名单。
2.根据权利要求1所述的方法,其特征在于,所述输出可疑员工名单之后,还包括:
基于所述疑点交易信息以及与所述疑点交易信息关联的套现台账信息生成员工行为查证单。
3.根据权利要求1所述的方法,其中,所述员工基础信息包括以下至少一项:员工所在部门;员工岗位;员工资产负债;员工信用评级;员工信用卡额度;员工风险标签。
4.根据权利要求1所述的方法,其中,所述信用卡交易信息包括信用卡信息和借记卡信息,所述信用卡信息和所述借记卡信息至少包括:账户信息;交易信息;负债信息;资产信息。
5.根据权利要求1所述的方法,其中,所述基于所述多个交易特征进行初步计算分析筛选出所述信用卡交易信息中的疑点交易信息包括:
基于信用卡持卡人和信用卡还款机构分类统计还款金额,其中,包括统计偿还本行本人信用卡、本行他人信用卡、他行本人信用卡、他人他行信用卡,并分别统计出实际月均还款额和实际还款月份数;
基于偿还本人信用卡和代还他人信用卡进行分组,利用本行信用卡交易流水统计POS机交易金额占所有消费交易的金额占比,通过统计分析框定数据偏离度较大的占比区间,设定模型阈值,提取所述疑点交易信息。
标识以第三方支付机构作为收单方的所述信用卡交易信息。
7.根据权利要求6所述的方法,其中,所述特征变量包括以下至少一项:核查期间内的支付机构集中度;交易商户集中度;同一支付机构的金额及笔数占比情况;同一交易商户的金额及笔数占比情况;POS机交易金额占比;实际月均还款额;实际消费月份数。
8.一种信用卡套现模型的训练方法,其特征在于,应用于训练权利要求1-7中任意一项所述的信用卡套现模型,包括:
获取员工基础信息和信用卡交易信息,并提取多个特征变量;
对提取到的所述多个特征变量进行数据预处理;
从所述信用卡交易信息中获取已识别出的套现数据,将所述套现数据作为训练样本;
基于所述训练样本从所述多个特征变量中筛选出与员工套现行为相关的显著特征变量;
将所述训练样本对应的所述显著特征变量输入逻辑回归模型进行机器学习训练、测试以及模型评估,得到所述信用卡套现模型。
9.一种银行员工套现行为的识别装置,其特征在于,包括:
获取模块,被配置为获取信用卡交易记录中涉及的员工基础信息及信用卡交易信息;
输入模块,被配置为将所述员工基础信息和所述信用卡交易信息输入信用卡套现模型;
员工风险分析模块,被配置为基于所述员工基础信息进行分析得到员工风险综合评级;
交易特征分析模块,被配置为基于所述信用卡交易信息提取多个交易特征,并基于所述多个交易特征进行初步计算分析筛选出所述信用卡交易信息中的疑点交易信息;
可疑交易识别模块,被配置为基于所述员工风险综合评级和所述多个交易特征对所述疑点交易信息进行识别,输出可疑员工名单。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的识别方法或权利要求8所述的训练方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的识别方法或权利要求8所述的训练方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的识别方法或权利要求8所述的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211649303.7A CN116245629A (zh) | 2022-12-21 | 2022-12-21 | 银行员工套现行为的识别方法、装置、模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211649303.7A CN116245629A (zh) | 2022-12-21 | 2022-12-21 | 银行员工套现行为的识别方法、装置、模型训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245629A true CN116245629A (zh) | 2023-06-09 |
Family
ID=86625093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211649303.7A Pending CN116245629A (zh) | 2022-12-21 | 2022-12-21 | 银行员工套现行为的识别方法、装置、模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245629A (zh) |
-
2022
- 2022-12-21 CN CN202211649303.7A patent/CN116245629A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461078B (zh) | 一种基于资金交易网络的异常交易识别方法及系统 | |
US20130036038A1 (en) | Financial activity monitoring system | |
CN111476660B (zh) | 一种基于数据分析的智能风控系统及方法 | |
CN109377339B (zh) | 一种可疑交易案例的辅助甄别方法及系统 | |
CN110895758B (zh) | 存在作弊交易的信用卡账户的筛选方法、装置及系统 | |
US11715106B2 (en) | Systems and methods for real-time institution analysis based on message traffic | |
CN111008896A (zh) | 金融风险预警方法、装置、电子设备及存储介质 | |
CN113989019A (zh) | 识别风险的方法、装置、设备及存储介质 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
US20090327036A1 (en) | Decision support systems using multi-scale customer and transaction clustering and visualization | |
CN112700321A (zh) | 基于用户行为数据的多规则反欺诈预测方法及系统 | |
CN114997975A (zh) | 一种异常企业识别方法、装置、设备、介质及产品 | |
CN110728570B (zh) | 反诈资金分析方法 | |
CN112508711A (zh) | 一种针对保单理赔的自动核赔方法及相关设备 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN112581271B (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN110910002B (zh) | 一种应收账款违约风险识别方法及系统 | |
CN112184238A (zh) | 金融租赁行业的反洗钱监控方法、装置、电子设备及介质 | |
Singarimbum et al. | How Commercial Banks in Emerging Economies Can Leverage Big Data Analytics: A perspective of Asian countries | |
WO2022136692A1 (en) | Method for calculating at least one score representative of a probable activity breakage of a merchant, system, apparatus and corresponding computer program | |
CN116245629A (zh) | 银行员工套现行为的识别方法、装置、模型训练方法 | |
CN115496205A (zh) | 检测模型训练、数据检测方法、装置、设备及存储介质 | |
CN114638504A (zh) | 企业风险评估方法、装置、设备、介质及产品 | |
CN113450208A (zh) | 贷款风险变动预警、模型训练方法和装置 |
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 |