TW202029037A - 金融帳戶自動化監控方法及系統 - Google Patents

Abstract

說明書公開一種金融帳戶自動化監控方法與系統，其中主要應用自動化監控機制得到每個金融帳戶的即時狀態，並以基於機器學習得出的異常帳戶模型偵測出異常帳戶，再通過一視覺化儀表板即時呈現出即時帳戶狀態，可讓管理者明確地掌握各種帳戶資訊，特別是經過偵測為異常的帳戶。在其中方法實施例中，先從金融機構接收偵測異常帳戶名單以及對應帳戶資料，並據此建立視覺化儀表板，利用其中欄位顯示各偵測異常帳戶的帳戶資料與相關風險管控措施或顧客權益保障措施資訊，再播送至一監視裝置。

Description

金融帳戶自動化監控方法及系統

一種金融帳戶監控系統，特別是一種應用視覺化儀表板顯示出金融帳戶的即時狀態以及顯示偵測為異常的帳戶的自動化監控方法與系統。

金融機構為了顧及客戶帳戶安全，包括防堵有人利用人頭帳戶進行詐騙行為，一般會採取帳戶監控的措施，例如從過去的經驗將各種帳戶交易行為分類成正常帳戶的行為與異常帳戶的行為。

在目前偵測異常帳戶的技術中，一般金融機構監控帳戶的方式之一是製作頻繁交易的帳戶的報表，從中判斷異常事件，然而金融機構員工需花費大量的時間和精力進行人工比對與分析，且報表指標組合複雜，維運和調整不易；另有方法是利用電腦監控程式找到有異常交易行為的帳戶，但是，利用電腦技術管理仍礙於資訊分散，各分行僅掌握各分行的異常帳戶資訊，無法與主管機關資料源進行比對，且未能將帳戶、顧客、交易等各維度資訊進行匯整進行異常帳戶態樣分析。

這類現行技術為倚賴過去經驗，並可能需要有額外人工輔助判讀資料，而且僅能針對過去交易資料進行判讀，不容易應付快速且大量產出的交易資料，更無法針對新式的違法詐騙行為作出 立即反應。另外，傳統查核帳戶的方式為人工判讀，人工判讀之資訊與經驗散落各分行，不易彼此交換與累積，使得偵測效果不彰。

揭露書公開一種金融帳戶自動化監控方法及系統，其中利用視覺化儀表板呈現出利用異常帳戶自動化偵測的技術得出的異常帳戶資訊，其中異常帳戶偵測方法主要是引入機器學習的機制，其中透過梳理警示帳戶(fraudulent account)特徵進行資料整理，以機器學習方法，運用資料科學及數據分析技術，偵測出具有異常狀態的帳戶，使得能通過視覺化儀表板呈現出來，提供預警、監控、自動化通報的帳戶監控功能。所述警示帳戶為經金融機構主管機關所定義，意指帳戶持有人透過該帳戶進行詐騙等犯罪行為，經檢調機關受理並通報後所認定之帳戶。

根據實施例，金融帳戶自動化監控方法運行於一伺服器中，在此方法中，自金融機構接收偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊，以根據偵測異常帳戶名單建立一視覺化儀表板，包括依照視覺化儀表板的欄位設計，產生至少一個儀表板頁面，依照其中欄位顯示各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊，再播送儀表板頁面至一監視裝置。

進一步地，顯示在視覺化儀表板中的帳戶資料可經一查詢條件篩選，查詢條件例如為時間區間、地區、金融機構的分行與權限等，還能通過異常信息標註其中超過警示條件的偵測異常帳戶。

進一步地，在金融帳戶自動化監控方法中，偵測異常帳戶名單產生的方法包括，通過一機器學習引擎以一機器學習演算法根據自金融機構提供的多筆客戶數據、帳戶數據與交易數據，以及經驗證為異常帳戶的數據，建立一異常帳戶模型，再根據異常帳 戶模型，自金融機構提供的數據中計算出全部或經抽查的多個帳戶個別的異常帳戶機率值，以及以各帳戶的異常帳戶機率值比對一或多個風險門檻，偵測當中的異常帳戶，依據風險高低可設多種因應策略，做不同程度的管控措施，並將多個帳戶歸類為一或多個異常程度的帳戶，以分別執行對應的風險管控措施或顧客權益保障措施，並產生該偵測異常帳戶名單。

根據金融帳戶自動化監控系統的實施例，系統包括一伺服器，其中包括一帳戶資料庫單元，用以接收金融機構提供之金融帳戶資料；一異常帳戶偵測單元，用以產生偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施措施資訊；一視覺化資訊產生單元，用以根據偵測異常帳戶名單產生一視覺化儀表板；以及一伺服器單元，通過網路播送視覺化儀表板至監視裝置。

為了能更進一步瞭解本發明為達成既定目的所採取之技術、方法及功效，請參閱以下有關本發明之詳細說明、圖式，相信本發明之目的、特徵與特點，當可由此得以深入且具體之瞭解，然而所附圖式僅提供參考與說明用，並非用來對本發明加以限制者。

10‧‧‧機器學習引擎

12‧‧‧客戶

121‧‧‧開戶用途

122‧‧‧資產

123‧‧‧來往金融商品

124‧‧‧職業

125‧‧‧年齡

14‧‧‧帳戶

141‧‧‧帳戶連結服務

142‧‧‧開戶日期

143‧‧‧事件距離

144‧‧‧使用狀態

16‧‧‧交易

161‧‧‧提款筆數

162‧‧‧交易對手數

163‧‧‧總交易筆數

164‧‧‧交易筆數

20‧‧‧機器學習引擎

201‧‧‧偵測參數

22‧‧‧異常帳戶模型

24‧‧‧參數調整

203‧‧‧異常帳戶數據

205‧‧‧正常帳戶數據

207‧‧‧異常帳戶

209‧‧‧正常帳戶

30‧‧‧機器學習引擎

31‧‧‧偵測模型

32‧‧‧偵測異常帳戶

33‧‧‧警報系統

34‧‧‧警政單位

35‧‧‧金融機構

36‧‧‧異常客戶特徵&異常帳戶特徵

38‧‧‧視覺化儀表板

40‧‧‧異常交易監控日報表

42‧‧‧簡訊狀態欄位

44‧‧‧設控狀態欄位

46‧‧‧時間區間

48‧‧‧模型資料欄位

49‧‧‧簡訊處置狀態欄位

51‧‧‧帳戶資料庫單元

52‧‧‧異常帳戶偵測單元

53‧‧‧視覺化資訊產生單元

54‧‧‧伺服器單元

55‧‧‧視覺化儀表板

步驟301~309‧‧‧異常帳戶偵測流程

步驟S601~S611‧‧‧建立視覺化監控表單的流程

步驟S701~S715‧‧‧建立監控資料的流程

步驟S801~S815‧‧‧金融帳戶自動化監控流程

圖1顯示金融帳戶自動化監控中偵測異常帳戶功能中機器學習的相關特徵示意圖；圖2所示在偵測異常帳戶功能中應用機器學習得出異常帳戶模型的實施例示意圖；圖3顯示金融帳戶自動化監控方法中採用的異常帳戶偵測系統的實施例圖；圖4顯示金融帳戶自動化監控方法中應用的視覺化儀表板範例示意圖； 圖5顯示金融帳戶自動化監控系統架構實施例圖；圖6顯示金融帳戶自動化監控方法中產生偵測異常帳戶名單與建立視覺化監控表單的實施例流程圖；圖7顯示金融帳戶自動化監控方法中建立監控資料的實施例流程圖；圖8顯示金融帳戶自動化監控方法實施例流程圖。

說明書公開一種金融帳戶自動化監控方法及系統，其中應用的異常帳戶自動化偵測系統導入了機器學習(machine learning)方法，透過梳理警示帳戶特徵進行資料整理，以機器學習方法建置、驗證並調校詐欺警示帳戶偵測通報模型，建構預警、監控、通報自動化系統管理機制。其中特別的是，系統將已經判斷的異常帳戶的相關數據輸入一機器學習引擎，並也可輸入非異常(正常)帳戶的相關數據，通過其中學習演算法，從異常與正常帳戶的數據中自動統計與數值分析而獲得判斷異常帳戶的規律，能利用這個規律對金融帳戶的資料進行異常偵測。

所述機器學習是實現人工智慧(Artificial Intelligence)的一個途徑，其主要目的是從各種信息中分析出其中具有規律性的資訊，並由電腦系統依循所獲得的規則持續執行學習演算法，在異常帳戶自動化偵測的目的下，其中以機器學習引擎學習異常帳戶的特徵後，主要目的是建立異常帳戶模型，其中記錄具體而可量測之異常帳戶交易行為的態樣，能夠提供給金融機構中監管單位對異常帳戶警示的參考，而實際運作時，仍需要持續從偵測結果驗證其正確性，能夠通過反覆參數調整與驗證優化機器學習引擎。

一般來說，一個帳戶交易行為的特徵組合包括顧客特徵，例如性別、年齡、工作等；包括帳戶特徵，例如帳戶建立時間(新帳戶、舊帳戶)、地點(分行、地區)、建立帳戶的方式(網路、 臨櫃、理財專員等)；包括行為特徵，例如交易金額(小額或大額)、執行交易的頻率、交易時間與對象等。接著，基於這些帳戶交易行為的特徵，根據已知異常帳戶的特徵，建制出判斷異常帳戶的量化特徵，也就是形成判斷異常帳戶的模型，其中應用的機器學習機制可參考圖1所示金融帳戶自動化監控中偵測異常帳戶功能中機器學習的相關特徵示意圖。

圖中顯示機器學習引擎10，可以電腦系統實現一個執行此機器學習引擎10的環境，為了異常帳戶自動化偵測的目的，系統輸入有關客戶12、帳戶14與交易16等相關數據。

對於金融帳戶(如信用卡帳戶、存款帳戶等)而言，如圖中顯示有關客戶12的數據包括開戶用途121，這會在客戶12開戶時得知，也可以通過分析來往數據得知；資產122，金融機構可以從客戶12個人帳戶、所得、金融往來判斷資產；來往金融商品123為客戶12使用金融帳戶的行為，可能為買賣股票、基金或債券，或是其他衍生性商品；另還包括客戶12的職業124與年齡125等。以上有關客戶12的數據都為機器學習引擎10建立正常或異常帳戶模型的依據。

舉例來說，從客戶12的資產122可以判斷出客戶12可以買賣的金融商品、額度與操作行為，若有異常額度、過於頻繁往來的次數與對象，這樣與原本客戶12應該有的行為差異過大，可能在通過機器學習後可以歸類為異常帳戶。再舉一例，若客戶12年齡125顯示為老年人，而來往金融商品123為保本與退休的規劃，若從帳戶的交易信息得出有不同於以往的額度變動或是過於頻繁的金融商品買賣，也都可能被歸類為異常帳戶。

機器學習引擎10所取得的帳戶14數據包括信用卡帳戶與存款帳戶的數據，帳戶14本身的特性如開戶日期142；帳戶連結服務141，也就是客戶所開的帳戶14的用途，如買賣金融商品、繳交各種費用(信用卡費、監理費用、生活帳單等)、薪資帳戶、定 存帳戶等；事件距離143表示帳戶中因為交易產生的變動週期，若為定期扣款、扣繳費用或帳單，週期較固定，可藉此判斷是否有異常；使用狀態144如帳戶14餘額、是否為閒置帳戶或是經常使用的帳戶。以上有關帳戶14的數據都是機器學習引擎10建立異常帳戶模型的參考數據。

舉例來說，若帳戶14資訊顯示這是個有固定交易行為的帳戶，當有不同於以往的突然密集的交易次數，或是事件距離143突然縮短，將可能歸類為異常帳戶。再舉一例，當帳戶連結服務141不同於以往，產生了許多連結服務，導致不尋常的金額來往，可能被歸類為異常帳戶。

機器學習引擎10可以取得交易16的數據，這是針對某帳戶的運作狀態，如可以取得一段時間內的提款筆數161，包括各樣支付、自動扣款繳費、存提款等，加上交易對手數162、交易筆數164與總交易筆數163，當這些數量有了不同於以往規律，例如，當提款筆數161大增，加上交易對手數162也變多，或是增加不同於以往交易對手的帳戶，交易筆數164也因此增加，使得總交易筆數163在短時間內產生不尋常的增加，這樣的帳戶可能被歸類為異常帳戶。

由圖1可知，金融機構每時每刻都產生大量的客戶12、帳戶14與交易16數據，配合正常帳戶的特徵，以及已經確認異常帳戶的特徵，由機器學習引擎10梳理異常帳戶特徵，透過資料工程技術彙整、清理和歸納來自不同通路(分行)、各類帳戶交易資訊，整合客戶12特徵、帳戶14特徵和交易16行為資料，機器學習引擎10通過從數據中學習的機器學習演算法(machine learning algorithm)，可以整理歸納並量化交易行為特徵，量化交易行為的特徵，找出過往單憑人員經驗沒發現到的異常戶交易行為模式。

根據機器學習引擎10中的機器學習演算法，針對所輸入的各類數據進行分類(classification)，把取得的特徵分類；執行回歸 分析(regression analysis)，能通過已知異常帳戶的相關特徵對未知的帳戶進行偵測，能根據客戶、帳戶與交易行為所形成的規律性，當有不當使用時，可以據此判斷出其中的異常狀況，並立即反應；取樣與合成(synthesis and sampling)，這是從大量的數據中進行選取，並可根據連結關係結合不同的資料，形成新的數據；消噪(denoising)，可以從數據中分析得出損壞的數據，並予以消除，避免干擾學習；最後，通過概率演算來提供偵測事件發生的機率。

更者，機器學習引擎10通過一種整體學習演算法(ensemble learning algorithm)減少因異常帳戶稀少而導致特徵會被淡化的問題，能夠解決不平衡數據(imbalanced data)產生的問題，能避免因學習樣本數不足而使得異常帳戶特徵容易被淡化的疑慮。其中，因為機器學習引擎10在預設分析上可能會有類別不平衡的問題，所以可以利用減少多數(減少多數類別取樣法，under sampling)以及增加少數(增加少數類別取樣法，over sampling)的方式平衡系統提供的大量數據，藉此改善類別不平衡之問題。

當金融機構提供的數據通過以上機器學習引擎10的運作後，可以產出詐欺警示帳戶偵測名單，從中得出揭露書提出的系統偵測得出的偵測異常帳戶名單，在一應用中，這些帳戶可透過排程批次執行，每日自動更新多維度資料表格，並使模型每日自動產生偵測名單，當這些偵測為異常帳戶的名單提供給金融機構的特定主機系統，其中設定多種偵測機率值門檻，比對所收到的偵測異常帳戶的機率，可以依據偵測機率值門檻的不同，將異常帳戶分類，並分別對應發送警示提醒的簡訊，或是系統自動設控帳戶，藉此達成自動化流程來達到異常帳戶的監控管理，減少人工作業成本。

根據以上機器學習引擎的運作，可以接著參考如圖2所示在偵測異常帳戶功能中應用機器學習得出異常帳戶模型的實施例示 意圖。

此例顯示有一機器學習引擎20，在學習歷程中，一方面從金融機構或相關單位接收到各種帳戶數據，異常帳戶數據203以及正常帳戶數據205，由機器學習引擎20執行上述機器學習演算法或整體學習演算法，或是其他機器學習法，以此建立異常帳戶模型22，異常帳戶模型22由各種參數建構，所述參數可以參考圖1所示的機器學習引擎中採用的相關特徵。

之後，機器學習引擎20根據異常帳戶模型22進行偵測，輸出經過偵測機率值門檻篩選的結果，歸類出異常帳戶207，形成偵測異常帳戶名單，其餘則為正常帳戶209。之後，機器學習引擎20提供參數調整24的功能，根據機器學習引擎20輸出的異常帳戶207，或加上正常帳戶209，比對最初輸入已經驗證的異常帳戶數據203，或加上正常帳戶數據205，執行參數調整24，以反覆運作修正機器學習引擎20中的偵測參數201，進而優化異常帳戶模型22。

最後，通過系統設定的偵測機率值門檻，可以將異常帳戶207分等級，分別給與不同的警示信息。

圖3接著顯示金融帳戶自動化監控方法中採用的異常帳戶偵測系統的實施例圖。

揭露書所提出的金融帳戶自動化監控方法，其中核心採用了自動化帳戶偵測系統，此自動化帳戶偵測系統包括的主要元件如圖所示，金融機構35提供金融帳戶自動化監控系統用在視覺化儀表板38中的帳戶資料，且金融機構35已經得知一般異常帳戶的特徵，可能是警政單位34驗證過的異常帳戶，也可能是已經產生金融犯罪事件的帳戶，經分析其中數據，並進行批次作業、客戶整合、帳戶特性分析、近期交易明細分析，可分析得出異常特徵(301)，建立異常客戶特徵與異常帳戶特徵36，並自動更新系統中多維度資料表格，其中異常客戶特徵與異常帳戶特徵36成為系 統的初始資訊，可匯入至機器學習引擎30(302)，通過機器學習演算法提供異常帳戶模型，建立偵測模型31(303)。之後，系統將根據偵測模型31，將上述多維度資料表格串接分析系統提出的偵測模型31，計算出特定期間內(如年、月、日)所有往來帳戶的異常帳戶機率值，由金融機構35提供的數據偵測異常帳戶，同時對照異常客戶特徵與異常帳戶特徵36(305)，反覆學習(304)，調整機器學習引擎30中的偵測參數。

金融帳戶自動化監控系統中的異常帳戶偵測機制主要是根據機器學習引擎30建立的偵測模型31執行異常帳戶偵測(306)，形成偵測異常帳戶32，這些偵測異常帳戶32形成視覺化儀表板38中一或多個儀表板頁面的顯示內容的部分，其中經比對多種風險門檻判斷在特定異常程度以上的帳戶，形成異常帳戶偵測名單，可回報系統提出的警報系統33(307)，同時也可通過視覺化儀表板38以一異常信息標註超過一警示條件的偵測異常帳戶。其中透過梳理在特定異常程度的帳戶特徵進行資料整理，以機器學習方法建置、驗證並調校異常帳戶的偵測模型，建構預警、監控、通報自動化系統管理機制。

最後，經警政單位34調查，可將調查結果通知金融機構35(309)，對該帳戶進行設控或是列管，同時從中取得異常特徵，仍可產生異常客戶特徵&異常帳戶特徵36，能回饋給機器學習引擎30，繼續從中學習、調整參數，以優化異常帳戶模型。

圖4顯示金融帳戶自動化監控方法中應用的視覺化儀表板範例示意圖。圖中所示視覺化儀表板範例為通過網頁顯示的一異常交易監控日報表40，其中包括有多個欄位，依照欄位格式顯示各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊，例如，時間區間46提供管理者設定時間的查詢條件，利用調整工具設定一個時間區間，作為篩選要顯示偵測異常帳戶的資料。

異常交易監控日報表40設有一簡訊狀態欄位42，其中記載通 過異常帳戶機率值判斷異常程度後發出簡訊作為警示信息的數據，其中記載簡訊帳號數中應寄與實際寄送簡訊的資訊，讓管理者可以通過此異常交易監控日報表40理解在一段時間內的寄發簡訊的狀況。

頁面下方顯示有一簡訊處置狀態欄位49，其中顯示發出簡訊作為風險管控措施或顧客權益保障措施的相關記錄，其中內容包括有出簡訊帳號、委辦單日期、發簡訊日期以及重複達到簡訊門檻天數，其中達到簡訊門檻天數的帳戶可能已經是具有極高異常機率的帳戶。

異常交易監控日報表40設有一設控狀態欄位44，這可以是在偵測異常帳戶的異常帳戶機率值高於一定程度時，系統對此帳戶設控，通過這個欄位顯示設控帳號數，以及其中應設控與實際設控的狀況。設控主要是要特別監視以及限制偵測異常程度高的帳戶的交易行為。

在模型資料欄位48中顯示以機器學習方法更新其中異常帳戶模型的記錄，其中列舉的內容如模型資料完成時間、日期以及更新時間，提供管理知悉用於偵測異常帳戶的機器學習的運作狀況。

上述圖4所述的實施例即示意表示視覺化儀表板的範例，產生這個視覺化儀表板的後台主要是以一伺服器運行金融帳戶自動化監控方法，相關的金融帳戶自動化監控系統可參考圖5顯示的架構實施例圖。

此例描述主要以一伺服器實現金融帳戶自動化監控系統，其中包括以軟體程序搭配系統硬體(如處理器、記憶體、儲存單元等，未示於此圖中)實現的多個功能模組，主要包括所示的帳戶資料庫單元51、異常帳戶偵測單元52、視覺化資訊產生單元53與伺服器單元54，以及最後形成的視覺化儀表板55。

在伺服器中，根據一實施例，帳戶資料庫單元51用以接收金融機構提供之金融帳戶資料，並可用以記錄經偵測判斷出為偵測 異常帳戶的相關資料；異常帳戶偵測單元52即如上述機器學習引擎實現的功能模組，用以產生偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊；視覺化資訊產生單元53用以根據偵測異常帳戶名單產生一視覺化儀表板，並能依照視覺化儀表板的欄位設計，產生至少一個儀表板頁面，用以依照其中欄位顯示各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊；以及伺服器單元54，其中可以運行一個超文本傳輸協定(HTTP)，以通過網路播送視覺化儀表板，視覺化儀表板可為此伺服器單元54產生的網頁，在終端的監視裝置上可以網頁瀏覽器顯示視覺化儀表板中的一或多個儀表板頁面。

此伺服器即因此可以一處理器執行金融帳戶自動化監控方法，能夠將偵測異常帳戶的相關資料通過視覺化儀表板提供給管理者看，在監視裝置上，視覺化儀表板包括至少一個儀表板頁面，依照其中欄位顯示各偵測異常帳戶的帳戶資料與相關措施資訊，而所述的偵測異常帳戶名單則為通過一電腦系統產生，產生此偵測異常帳戶名單的方法主要是通過上機器學習引擎以機器學習演算法根據自金融機構提供的多筆客戶數據、帳戶數據與交易數據，以及經驗證為異常帳戶的數據，建立一異常帳戶模型，之後可以依據此異常帳戶模型得出帳戶個別的異常帳戶機率值，從中得出偵測異常帳戶名單。

在上述金融帳戶自動化監控系統中，其中產生異常帳戶偵測名單的流程可參考圖6所示的金融帳戶自動化監控方法中產生偵測異常帳戶名單與建立視覺化監控表單的實施例流程圖。

在步驟S601中，由金融機構提交帳戶相關數據，其中包括如圖1所示的各樣特徵，包括客戶數據、帳戶數據及交易明細等，透過批次作業，整合客戶、帳戶、近期交易明細等數據，能自動更新系統中資料庫之多維度資料表格。接著在步驟S603中，異常 帳戶偵測的機制根據機器學習引擎建立的異常帳戶模型，分析這些數據，如步驟S605，根據多維度資料表格，關聯分析系統提出的偵測模型，運行於金融帳戶自動化監控系統中的軟體程序以週期地計算其中各帳戶的異常帳戶機率值，模型自動產出異常帳戶偵測名單，如步驟S607，即形成偵測異常帳戶名單，用以建立視覺化監控表單，還可進行個案分析(步驟S609)。在最後步驟S611中，依照視覺化儀表板的欄位設計，在終端的監視裝置上顯示各偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊。

在上述流程中，系統會持續收到最新產出的帳戶數據，每段時間(如月、日)產生在某個閥值以上的異常帳戶名單自動化歸入於金融機構的資料庫系統，可進一步比對客戶資料與其行為模式，進行個案分析，作為後續偵測模型調校之參考。

在處理這些偵測異常帳戶名單時，可以通過偵測機率值門檻所實現的風險門檻判斷異常等級，施以不同的警示手段，如在一定風險門檻內，可以對該帳戶發送提醒簡訊，若在另一偵測機率內，金融機構可以報警處理，並讓系統自動設控。

圖7顯示金融帳戶自動化監控方法中建立監控資料的實施例流程圖。

在此方法中，先如步驟S701，在異常帳戶偵測的方法中，根據機器學習引擎建立的異常帳戶模型，提供根據異常帳戶機率值所偵測的異常帳戶，並自動產生異常帳戶偵測名單。

接著，如步驟S703，運行在伺服器中的軟體程序將逐一將偵測異常帳戶的異常帳戶機率值比對系統設定的第一風險門檻，並判斷是否高於第一風險門檻？(步驟S705)，若並未高於此第一風險門檻(否)，表示此帳戶仍屬於正常帳戶，步驟回到S701；反之，若異常帳戶機率值高於第一風險門檻(是)，表示至少超過系統設定基本警示的門檻，如步驟S707所示，對這類帳戶發送警示簡訊， 或各種風險管控措施或顧客權益保障措施。同時，如步驟S715，建立監控資料，這是用來通過視覺化儀表板顯示偵測異常帳戶的資料。

流程繼續進行步驟S709，以各帳戶經過分析得出的異常帳戶機率值比對第二風險門檻，如步驟S711，判斷是否高於第二風險門檻？此第二風險門檻相對第一風險門檻為更嚴格的門檻，用以判斷出異常帳戶機率更高的帳戶。

當帳戶的異常帳戶機率值並未高於第二風險門檻(否)，表示該帳戶的異常帳戶機率值雖通過第一風險門檻的門檻，但仍低於第二風險門檻的門檻，可以表示此帳戶僅符合發送警示簡訊的安全範圍。反之，若帳戶的異常帳戶機率值高於第二風險門檻(是)，表示此帳戶有更高的機率為異常帳戶，如步驟S713，執行異常帳戶偵測的軟體程序除了如上述步驟S707發送警示簡訊外，更將對此帳戶設控，並可限制交易內容。這些經過設控的帳戶資料用以建立監控資料，如步驟S715，成為通過視覺化儀表板顯示偵測異常帳戶的資料。

所述異常帳戶偵測的方法主要是利用第一風險門檻執行第一階段篩選，將帳戶區分為正常帳戶與偵測為異常的帳戶，可以對此類帳戶執行第一級警示措施，如發出警示簡訊。舉例來說，異常帳戶自動化偵測系統可以針對異常帳戶偵測機率值達70%以上的帳戶的用戶發送警示簡訊。

在異常帳戶偵測方法中，可繼續利用第二偵測機率執行第二階段篩選，針對達到更高異常帳戶偵測機率的帳戶，系統可自動設控，限制帳戶交易行為。

值得一提的是，通過機器學習自每日大量產生的數據持續學習的機制，學習各種新穎的犯罪手法，可以有效掌握各種異常帳戶，所述各種異常帳戶機率的閥值，如上述第一風險門檻與第二風險門檻，都是依據學習結果動態調整，週期性地產出偵測異常 名單，特別是在處置這些異常帳戶時，更有彈性地作出不同等級的處置，包括可以依據特定客戶條件作出反應，包括在某幾個異常等級下自動寄發通知簡訊、凍結帳戶功能、聯繫警政機關，可以節省人工，並減少錯誤。

圖8顯示金融帳戶自動化監控方法實施例流程圖，金融帳戶自動化監控方法運行於一伺服器中，其中主要以軟體流程實現自動化監控金融帳戶的目的。

所述伺服器自金融機構接收偵測異常帳戶名單(步驟S801)，依照以上實施例可知，此偵測異常帳戶名單在所述偵測異常帳戶的機制下，是通過一機器學習引擎以機器學習演算法演算得出，採用的即金融機構提供的各種帳戶相關資料，經學習演算後建立異常帳戶模型，之後再根據此異常帳戶模型得出各帳戶的異常帳戶機率值，能以此偵測並提供此偵測異常帳戶名單，還能根據異常程度執行對應的風險管控措施或顧客權益保障措施。

因此，伺服器可以接收各偵測異常帳戶的帳戶資料以及對應的措施資訊(步驟S803)，這時，伺服器可以讓管理者通過視覺化儀表板頁面上提供的欄位與選項提出一查詢條件，查詢條件可為時間區間、地區、金融機構的分行與管理者的權限的其中之一或任意組合，也就是伺服器中運行的軟體程序接收此查詢條件後(步驟S805)，將根據這些查詢條件進行篩選。例如，可以依照時間區間的設定篩選出一段時間內偵測的異常帳戶，可以依照地區篩選出這個區域內的偵測異常帳戶，也可以篩選出某個分行中發生異常的偵測結果。另外，金融帳戶自動化監控系統可以提供不同管理者有不同的權限，系統將依照權限給予符合權限的帳戶資料。

如此，伺服器可以依照查詢條件篩選出偵測異常帳戶名單中的一或多個偵測異常帳戶(步驟S807)，再依照視覺化儀表板中欄位設計，建立儀表板頁面(步驟S809)，藉此顯示一或多個偵測異常帳戶的帳戶資料與風險管控措施或顧客權益保障措施資訊，這 些形成視覺化儀表板的內容播送至監視裝置，其中包括至少一個儀表板頁面(步驟S811)。

當播送至少一個儀表板頁面至監視裝置同時，伺服器中的軟體程序可以依照一警示條件篩選警示帳戶(步驟S813)，這是可以在視覺化儀表板上通過一警示信息標註超過警示條件的其中之一或多個偵測異常帳戶(步驟S815)。

所述警示條件可以參考上述針對異常帳戶機率值比對第一風險門檻與第二風險門檻的實施例，以此區隔不同異常程度的金融帳戶，並分別執行第一級警示措施與第二級警示措施，而實施例不限於在此所述的風險管控措施或顧客權益保障措施。

綜上實施例所述，根據其中所描述的金融帳戶自動化監控方法與系統的運作，金融帳戶自動化監控系統中所採用的偵測異常帳戶的機制應用了機器學習方法彙整來自原本分別自不同來源(如銀行分行、子行)的帳戶數據，建立偵測模型，通過人工智慧機制的判斷得出每個帳戶可能為異常帳戶的異常帳戶機率值，並且能藉此判斷異常等級，並作出分級處理的措施，接著通過視覺化儀表板將偵測異常帳戶的資料通過視覺化的介面顯示給管理者看，藉由直覺式圖像介面，降低過往業務經辦人員於資料取用、蒐集、分析之不便，包括能夠定時自動更新其中資料表格，配合定時更新偵測模型以自動產生偵測名單，以自動化流程來達到異常帳戶的監控管理，達到減少人工作業成本、精準掌握管理動向、提昇決策管理效能的目的。

惟以上所述僅為本發明之較佳可行實施例，非因此即侷限本發明之專利範圍，故舉凡運用本發明說明書及圖示內容所為之等效結構變化，均同理包含於本發明之範圍內，合予陳明。

40‧‧‧異常交易監控日報表

42‧‧‧簡訊狀態欄位

44‧‧‧設控狀態欄位

46‧‧‧時間區間

48‧‧‧模型資料欄位

49‧‧‧簡訊處置狀態欄位

Claims (10)

1. 一種金融帳戶自動化監控方法，運行於一伺服器中，包括：接收一金融機構提供之一偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與一風險管控措施或顧客權益保障措施資訊；根據該偵測異常帳戶名單建立一視覺化儀表板；依照該視覺化儀表板的欄位設計，產生至少一個儀表板頁面，依照其中欄位顯示各偵測異常帳戶的帳戶資料與該風險管控措施或顧客權益保障措施資訊；以及播送該視覺化儀表板中該至少一個儀表板頁面至一監視裝置。
2. 如請求項1所述的金融帳戶自動化監控方法，其中該視覺化儀表板為通過該伺服器中一伺服器單元產生之一網頁。
3. 如請求項1所述的金融帳戶自動化監控方法，其中，於播送該至少一個儀表板頁面至該監視裝置時，通過一警示信息標註超過一警示條件的其中之一或多個偵測異常帳戶。
4. 如請求項1至3中任一項所述的金融帳戶自動化監控方法，其中，於建立該視覺化儀表板的步驟後，更包括：接收通過該視覺化儀表板產生的一查詢條件；以及依照該查詢條件篩選出該偵測異常帳戶名單中的一或多個偵測異常帳戶，再依照該視覺化儀表板中欄位顯示該一或多個偵測異常帳戶的帳戶資料與該風險管控措施或顧客權益保障措施資訊。
5. 如請求項4所述的金融帳戶自動化監控方法，其中該查詢條件為一時間區間、一地區、該金融機構的一分行與一權限的其中之一或任意組合。
6. 如請求項4所述的金融帳戶自動化監控方法，其中該偵測異常帳戶名單產生的方法包括： 通過一機器學習引擎以一機器學習演算法根據自該金融機構提供的多筆客戶數據、帳戶數據與交易數據，以及經驗證為異常帳戶的數據，建立一異常帳戶模型；根據該異常帳戶模型，自該金融機構提供的數據中計算出全部或經抽查的多個帳戶個別的異常帳戶機率值；以及以各帳戶的異常帳戶機率值比對一或多個風險門檻，偵測當中的異常帳戶，並將該多個帳戶歸類為一或多個異常程度的帳戶，以分別執行對應的風險管控措施或顧客權益保障措施，並產生該偵測異常帳戶名單；其中，該機器學習引擎自該金融機構取得異常帳戶數據以及正常帳戶數據，該機器學習引擎根據該異常帳戶模型進行偵測，輸出經過該風險門檻篩選的結果，歸類出異常帳戶，用以比對已經驗證的異常帳戶數據，調整該機器學習引擎中的偵測參數，以優化該異常帳戶模型。
7. 如請求項6所述的金融帳戶自動化監控方法，其中，針對異常帳戶機率值超過一第一風險門檻的該帳戶執行一第一級警示措施，包括對該帳戶的用戶發出一警示簡訊。
8. 如請求項7所述的金融帳戶自動化監控方法，其中，針對異常帳戶機率值超過該第一風險門檻的該帳戶，再比對一第二風險門檻，針對異常帳戶機率值超過該第二風險門檻的該帳戶執行一第二級警示措施，包括限制該帳戶的交易行為。
9. 一種金融帳戶自動化監控系統，包括：一伺服器，其中包括一帳戶資料庫單元，用以接收一金融機構提供之金融帳戶資料；一異常帳戶偵測單元，用以產生一偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與一風險管控措施或顧客權益保障措 施資訊；一視覺化資訊產生單元，用以根據該偵測異常帳戶名單產生一視覺化儀表板；以及一伺服器單元，通過一網路播送該視覺化儀表板；其中，該伺服器以一處理器執行一金融帳戶自動化監控方法，該方法包括：接收該金融機構提供之該偵測異常帳戶名單，以及對應各偵測異常帳戶的帳戶資料與該風險管控措施或顧客權益保障措施資訊；根據該偵測異常帳戶名單建立該視覺化儀表板；依照該視覺化儀表板的欄位設計，產生至少一個儀表板頁面，依照其中欄位顯示各偵測異常帳戶的帳戶資料與該風險管控措施或顧客權益保障措施資訊；以及通過該網路播送該視覺化儀表板中至少一個儀表板頁面至一監視裝置。
10. 如請求項9所述的金融帳戶自動化監控系統，其中通過一電腦系統產生該偵測異常帳戶名單，產生該偵測異常帳戶名單的方法包括：通過一機器學習引擎以一機器學習演算法根據自該金融機構提供的多筆客戶數據、帳戶數據與交易數據，以及經驗證為異常帳戶的數據，建立一異常帳戶模型；根據該異常帳戶模型，自該金融機構提供的數據中計算出全部或經抽查的多個帳戶個別的異常帳戶機率值；以及以各帳戶的異常帳戶機率值比對一或多個風險門檻，偵測當中的異常帳戶，並將該多個帳戶歸類為一或多個異常程度的帳戶，以分別執行對應的風險管控措施或顧客權益保障措施，並產生該偵測異常帳戶名單； 其中，該機器學習引擎自該金融機構取得異常帳戶數據以及正常帳戶數據，該機器學習引擎根據該異常帳戶模型進行偵測，輸出經過該風險門檻篩選的結果，歸類出異常帳戶，用以比對已經驗證的異常帳戶數據，調整該機器學習引擎中的偵測參數，以優化該異常帳戶模型。

Images