TWI705407B - 異常帳戶自動化偵測方法及系統 - Google Patents

Abstract

說明書公開一種異常帳戶自動化偵測方法與系統，系統由一電腦系統實現，包括資料庫，其中運行一機器學習引擎，其中方法由機器學習引擎啟動，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，再根據模型計算帳戶的異常帳戶機率值，根據帳戶的異常機率值判定帳戶是否為警示帳戶之可能程度，以分級執行對應的風險管控措施或顧客權益保障措施。

Description

異常帳戶自動化偵測方法及系統

一種偵測存款帳戶異常交易行為的技術，為一種根據經檢調機關受理並通報後所認定警示帳戶特徵，以機器學習演算法而建制異常帳戶偵測模型，所提出的異常帳戶自動化偵測方法與系統。

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。

揭露書公開一種異常帳戶自動化偵測方法以及實現這個方法流程的系統，所述方法與系統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，其中即運用資料科學及數據分析技術達成詐欺警示帳戶偵測通報的目的。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，在異常帳戶自動化偵測方法中，系統設有一機器學習引擎，使得可通過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，之後，可根據此異常帳戶模型，從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，接著再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。

進一步地，機器學習引擎的學習中，機器學習引擎取得異常帳戶數據以及正常帳戶數據後，根據異常帳戶模型進行偵測，輸出經過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，再調整機器學習引擎中的偵測參數，反覆多次後可以優化異常帳戶模型。

根據異常帳戶自動化偵測系統實施例，此系統由一電腦系統 實現，其中包括一資料庫，並維護多維度資料表格，電腦系統中中運行機器學習引擎，並執行上述異常帳戶自動化偵測方法。

進一步地，所述異常帳戶機率值依據風險高低可設多種因應策略，做不同程度的管控措施，包括提供不同程度的風險管控措施或顧客權益保障措施，例如，設有第一風險門檻，若帳戶的異常帳戶機率值並未高於此第一風險門檻，此帳戶屬於正常帳戶；若帳戶的異常帳戶機率值高於此第一風險門檻，帳戶則列為異常帳戶。對於異常帳戶機率值超過第一風險門檻的帳戶，系統可以執行第一級警示措施，例如發出警示簡訊。

接著，針對異常帳戶機率值超過第一風險門檻的帳戶，再比對第二風險門檻，第二風險門檻相對第一風險門檻為更嚴格的門檻，可用以判斷帳戶是否為異常帳戶機率更高的帳戶。

對於所述異常帳戶機率值超過第二風險門檻的帳戶，系統將可執行第二級警示措施，例如限制帳戶的交易行為。

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

步驟301~309‧‧‧異常帳戶偵測流程

步驟S401~S409‧‧‧異常帳戶偵測流程

步驟S501~S513‧‧‧異常帳戶偵測流程

圖1顯示異常帳戶自動化偵測系統中機器學習的相關特徵示意圖；圖2所示應用機器學習得出異常帳戶模型的實施例示意圖；圖3顯示採用機器學習機制的異常帳戶自動化偵測系統實施例圖；圖4顯示異常帳戶自動化偵測方法中產生異常帳戶偵測名單的實施例流程圖； 圖5顯示採用機器學習機制的異常帳戶自動化偵測方法實施例流程圖。

說明書公開一種異常帳戶自動化偵測方法及系統，其中導入了機器學習(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所示異常帳戶自動化偵測系統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。以上客戶數據為其中列舉的其中之一或其組合。

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。以上帳戶數據為其中列舉的其中之一或其組合。

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。以上交易數據為其中列舉的其中之一或其組合。

由圖1可知，金融機構每時每刻都產生大量客戶數據、帳戶數據與交易數據，在此示意分類為圖示的客戶12、帳戶14與交易16，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，可以產出異常帳戶偵測名單，從中得出揭露書提出的系統所要偵測的異常帳戶，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，其中設定多種風險門檻，比對所收到的偵測異常帳戶的機率，可以依據風險門檻的不同，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所示應用機器學習得出異常帳戶模型的實施例示意圖。

所述異常帳戶自動化偵測系統可以一電腦系統實現，其中運行機器學習引擎，如此例顯示的機器學習引擎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，輸出經過風險門檻篩選的結果，歸類出異常帳戶207，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，通過系統設定的風險門檻，可以將異常帳戶207分等級，分別給與不同的警示信息。

圖3接著顯示採用機器學習機制的異常帳戶自動化偵測系統實施例圖。

異常帳戶自動化偵測系統包括的主要元件如圖所示，最初，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，並據以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)全部或經過抽查的多個帳戶個別的異常帳戶機率值，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。

異常帳戶自動化偵測系統根據機器學習引擎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，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)。其中係由異常帳戶自動化偵測系統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。

在上述異常帳戶自動化偵測系統中，其中產生異常帳戶偵測名單的流程可參考圖4所示的實施例流程圖。

在步驟S401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，依據這些異常帳戶自動化偵測系統持續產生的異常客戶特徵與異常帳戶特徵自動更新資料庫所維護的多維度資料表格。接著在步驟S403中，異常帳戶自動化偵測系統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S405，根據多維度資料表格，關聯分析系統提出的偵測模型，異常帳戶自動化偵測系統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S407，即形成異常帳戶偵測名單，並可進行個案分析(步驟S409)。

在上述流程中，異常帳戶自動化偵測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偵測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。

在處理這些異常帳戶偵測名單時，可以通過風險門檻判斷異常等級，施以不同的風險管控措施或顧客權益保障措施，如在一定風險門檻以上，可以對該帳戶發送提醒簡訊，若在另一偵測機率內，金融機構可讓系統自動設控。另外，當有帳戶的異常帳戶機率值高於特定門檻時，可不排除提供檢調機構處理。

圖5所示為採用機器學習機制的異常帳戶自動化偵測方法實施例流程圖。

在此方法中，先如步驟S501，由異常帳戶自動化偵測系統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，異常帳戶自動化偵測系統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一或多個風險門檻，這是偵測為異常帳戶的閥值，偵測出異常帳戶，根據這些偵測的異常帳戶的異常帳戶機率值分為一或多個異常程度的帳戶，以分別執行對應的警示措施，包括各種風險管控措施或顧客權益保障措施。

舉例來說，系統設有第一風險門檻，用於初步偵測出異常帳戶，如步驟S503，判斷全部或抽查帳戶的是否高於第一風險門檻？(步驟S505)，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S501；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S507所示，對這類帳戶發送警示簡訊，或者以各種傳送訊息的方式傳送警示信息。

流程繼續進行步驟S509，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S511，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S513，異常帳戶自動化偵測系統除了如上述步驟S507發送警示簡訊外，更將對此帳戶設控，可限制交易內容，例如封鎖帳戶對外金流、終止帳戶、列管與報警處理等。

所述異常帳戶自動化偵測系統設定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，如對此帳戶的用戶發出警示簡訊。舉例來說，異常帳戶自動化偵測系統可以針對異常帳戶機率值達70%以上的帳戶的用戶發送警示簡訊。

異常帳戶自動化偵測系統繼續利用第二風險門檻執行第二階段篩選，針對達到更高異常帳戶偵測機率的帳戶，執行第二級警示措施，例如，系統可自動設控，限制帳戶交易行為。

列舉一範例，系統根據帳戶的異常機率值判定帳戶是否為警示帳戶之可能程度，得出帳戶的異常等級，並執行對應措施時，應先設定以簡訊警示的發送規則，如帳戶的異常帳戶機率值高於一異常帳戶門檻，即設定為可發出警示簡訊，另可設定監控時間。

接著，針對異常帳戶機率值高於所述異常帳戶門檻的帳戶，並考量一般正常帳戶的特性，可以設定一些排除條件，即便其異常帳戶機率值符合異常帳戶的判定，仍可因為以下一些狀況而排除，以利準確地判斷出真正的異常帳戶。例如，可排除前一個月積數大於一定金額門檻的帳戶；可排除約定扣繳項目，如：在帳戶所在行庫內有授信現欠餘額、扣繳公共事業費用與卡費等；若帳戶為理財會員，仍可排除異常；若帳戶在前一個月有撥薪紀錄，可排除異常；若帳戶前一個月有證交款紀錄，可排除；若帳戶在 前一個月有基金交易紀錄，亦可排除。上述這些範例顯示，若異常帳戶自動化偵測系統中機器學習引擎可以學習符合排除條件的帳戶行為，更能優化所產出的異常帳戶偵測名單。

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，所述多種異常帳戶機率的閥值，如上述第一偵測機率與第二偵測機率，都是依據學習結果動態調整，週期性地產出異常帳戶偵測名單，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。

綜上實施例所述，根據其中所描述的異常帳戶自動化偵測方法與系統的運作，系統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，通過學習異常帳戶的數據分析學習得到異常帳戶的特徵，透過批次作業、整合顧客、帳戶、近期交易明細，並自動更新系統中多維度資料表格，多維度資料表格用以串接分析系統所提出的偵測模型，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，如自動寄發客戶通知簡訊、凍結帳戶功能，可因此產出具體、可量測之異常帳戶交易行為態樣，並因為可以整合不同來源的帳戶數據，能有效節省金融機構處理異常帳戶的作業成本，解決傳統報表作業繁瑣，耗時費力且效能不彰的問題。

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。

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

Claims (10)

1. 一種異常帳戶自動化偵測方法，包括：通過一機器學習引擎以一機器學習演算法根據自一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，以分別執行對應的警示措施；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，並設定一或多個排除條件，使得各帳戶的異常帳戶機率值符合異常帳戶的判定。
2. 如請求項1所述的異常帳戶自動化偵測方法，其中該一或多個風險門檻包括一第一風險門檻，若該帳戶的異常帳戶機率值並未高於該第一風險門檻，該帳戶屬於正常帳戶；若該帳戶的異常帳戶機率值高於該第一風險門檻，該帳戶列為異常帳戶。
3. 如請求項2所述的異常帳戶自動化偵測方法，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。
4. 如請求項2所述的異常帳戶自動化偵測方法，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，該第二風險門檻相對該第一風險門檻為更嚴格的門檻，用以判斷該帳戶是否為異常帳戶機率更高的帳戶。
5. 如請求項4所述的異常帳戶自動化偵測方法，其中，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。
6. 如請求項1至5中任一項所述的異常帳戶自動化偵測方法，其中該機器學習引擎以一電腦系統實現，其中包括一資料庫，其中維護一多維度資料表格，其中運行該機器學習引擎。
7. 如請求項6所述的異常帳戶自動化偵測方法，其中該電腦系統的資料庫記載該多筆客戶數據、帳戶數據與交易數據，該資料庫中的該多維度資料表格依據該異常帳戶自動化偵測系統持續產生的異常客戶特徵與異常帳戶特徵自動更新。
8. 如請求項7所述的異常帳戶自動化偵測方法，其中該機器學習自該金融機構取得的客戶數據包括開戶用途、資產、來往金融商品、職業與年齡的其中之一或其組合；帳戶數據開戶日期、帳戶連結服務、事件距離與使用狀態的其中之一或其組合；交易數據包括提款筆數、交易對手數、交易筆數與總交易筆數的其中之一或其組合。
9. 一種異常帳戶自動化偵測系統，包括：一電腦系統，包括一資料庫，其中維護一多維度資料表格，其中運行一機器學習引擎，該電腦系統執行一異常帳戶自動化偵測方法，該方法包括：該機器學習引擎以一機器學習演算法根據自一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，以分別執行對應的警示措施；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，並設定一或多個排除條件，使得各帳戶的異常帳戶機率值符合異常帳戶的判定。
10. 如請求項9所述的異常帳戶自動化偵測系統，其中該電腦系統的資料庫記載該多筆客戶數據、帳戶數據與交易數據，該資料庫中的該多維度資料表格依據該異常帳戶自動化偵測系統持續產生的異常客戶特徵與異常帳戶特徵自動更新。

Images