一种自动决策的智能反欺诈贷中管理系统及方法

技术领域

本发明属于大数据技术领域，具体涉及一种自动决策的智能反欺诈贷中管理系统及方法。

背景技术

随着互联网及大数据技术的发展，互联网信贷业务蓬勃发展。互联网贷款指借助互联网的优势，可以足不出户的完成贷款申请的各项步骤，包括了解各类贷款的申请条件，准备申请材料，一直到递交贷款申请，都可以在互联网上高效的完成。虽然互联网信贷业务给客户带来了极大的便利条件，同时，非接触式信贷业务模式也让金融机构面临着严峻的风险挑战。

风险，主要指未来结果的负向不确定性。银行风险是指银行在经营中由于各种不确定因素而招致银行经济损失或收益率负向波动的可能性。风险主要分为信用风险和欺诈风险。信用风险，又称违约风险，是指借款人因种种原因，不愿或无力履行合同条件而构成违约，致使银行遭受损失的可能性。欺诈风险，指的是以故意歪曲或隐瞒事实而诱使对方发生错误认识为目的的故意行为，通常而言这种行为的目的是使欺诈者获利。在信贷行业，欺诈风险是最主要的风险，占比近7成左右，所以得到行业人员高重视。

但当前行业对于欺诈风险的管理更多的是在贷前阶段，欺诈风险的贷中及贷后管理基本上没有相关的文献。如果不在贷中对欺诈风险进行管理，团伙攻击或者伪冒盗用、诈骗等欺诈风险案件，将会在逾期之后(T+45，至少30多天之后)才能被发现，而这时候损失早已造成。

因此，为对互联网信贷业务的欺诈风险进行全生命周期的管控，本文提出了一种自动决策的智能反欺诈贷中管理方法及系统，旨在实现信贷业务欺诈风险的自动化的管理，并及时发现、预警欺诈风险，同时反哺贷前策略，构建欺诈风险管理闭环；同时，也为行业欺诈风险管理提供新的方案和思路。

发明内容

针对现有技术中缺乏对欺诈风险的贷中管理的问题，本发明提供一种自动决策的智能反欺诈贷中管理系统及方法，其目的在于：实现信贷业务欺诈风险的自动化的管理，并及时发现、预警欺诈风险，同时反哺贷前策略，构建欺诈风险管理闭环。

本发明采用的技术方案如下：

一种自动决策的智能反欺诈贷中管理系统，包括：

欺诈集市模块：用于汇集来自于数仓系统的与欺诈风险管理相关的所有数据集，并按照指定的跑批任务定时读取、集成和汇总，得到欺诈集市数据源表；

指标加工管理模块：对欺诈集市数据源表中的指标进行加工处理，得到欺诈指标集；

贷中策略管理模块：根据欺诈指标集构建贷中欺诈策略集；

决策流管理模块：用于接收贷中欺诈策略并将贷中欺诈策略转义成应用程序代码的决策流形式；

欺诈队列管理模块：用于汇集决策流管理模块的运行结果，并生成欺诈队列，在存储介质中新建用于保存所述欺诈队列的数据结构；

案调系统模块：用于承接来自于欺诈队列的信息流，对欺诈案件进行审核定性，并将案件审核信息输送至贷前欺诈系统，以及将案件详情写入数仓系统数据库。

采用该技术方案后，通过欺诈集市模块、指标加工管理模块、贷中策略管理模块、决策流管理模块、欺诈队列管理模块和案调系统模块6大模块的系统化设计和闭环结合，解决了当前行业欺诈风险贷中管理研究较少、无一体化系统的问题，实现信贷业务欺诈风险的自动化的管理，并及时发现、预警欺诈风险，也为行业欺诈风险管理提供新的方案和思路。

本发明还公开了一种自动决策的智能反欺诈贷中管理方法，包括以下步骤：

步骤1：通过欺诈集市模块汇集来自于数仓系统的与欺诈风险管理相关的所有数据集，并按照指定的跑批任务定时读取、集成和汇总，得到欺诈集市数据源表；

步骤2：指标加工管理模块对欺诈集市数据源表中的指标进行加工处理，得到欺诈指标集；

步骤3：贷中策略管理模块根据欺诈指标集构建贷中欺诈策略集；

步骤4：决策流管理模块将贷中欺诈策略转义成应用程序代码的决策流形式；

步骤5：欺诈队列管理模块根据决策流的运行结果生成欺诈队列，在存储介质中新建用于保存所述欺诈队列的数据结构，并将欺诈队列实时输送到案调系统；

步骤6:案调系统模块对欺诈队列中的欺诈案件进行审核定性，一方面将案件审核信息输送至贷前欺诈系统，另一方面将案件详情写入数仓系统数据库。

优选的，步骤1具体包括以下步骤：

步骤1.1：欺诈集市模块通过文件的方式与数仓系统进行数据交互；

步骤1.2：欺诈集市模块汇集数仓系统中的欺诈数据集；

步骤1.3：设置欺诈集市模块的跑批任务，定时读取、集成和汇总，得到欺诈集市数据源表。

优选的，步骤1.2中所述的欺诈数据集包括客户基础属性表、客户位置场景表、客户设备信息表、客户操作行为数据表、客户三方数据信息表和客户贷前欺诈策略命中信息表；所述客户基础属性表记载有目标用户的基本信息；所述客户位置场景表记载有目标客户的地址信息；所述客户设备信息表记载有客户移动端设备相关的信息；所述客户操作行为数据表包含客户操作行为流水表；所述客户三方数据信息表为从外部数据源查询的客户风险标签汇集；所述客户贷前欺诈策略命中信息表为客户在贷前反欺诈系统命中的各种策略集的组合。

优选的，步骤2中所述的指标加工处理包括横向指标加工和纵向指标加工，所述横向指标加工包括跨表横向指标拼接和同表指标的横向加工，所述纵向指标加工包括纵向历史信息提取和纵向关联统计。

优选的，所述跨表横向指标拼接即通过表关联的方式进行不同数据表间的指标的横向关联；所述同表指标的横向加工即对同一张数据表中的欺诈指标进行处理、加工和运算；所述纵向历史信息提取即提取满足某一条件的某次事件下某个信息；所述纵向关联统计即统计满足某一条件的某个主维度关联某个从维度的频次。

优选的，所述同表指标的横向加工包括单指标的处理和多指标的运算两种形式，所述单指标处理即通过多种数据处理函数对单一欺诈指标进行处理加工，所述多指标的运算即对多个欺诈指标进行横向的处理计算。

优选的，所述单指标的处理包括指标类型转换和特征提取两种方式，所述指标类型转换，即对单一指标的字段类型进行转化，所述特征提取，即截取单一指标中的某些显著信息。

优选的，步骤3中所述的贷中欺诈策略集包括贷前欺诈预警策略集、早期预警策略集、异常回溯策略集、业务异常策略集、欢迎电话策略集和线下调查策略集。

优选的，步骤5中所述的欺诈队列包括身份伪冒欺诈队列，电信诈骗队列、中介欺诈队列和欢迎电话队列。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明可以提前发现欺诈风险，甚至在T+0、T+1发现欺诈风险，从而及早拦截处置风险，降低损失。

2.欺诈集市模块汇集数仓系统中与欺诈风险管理相关的数据集并进行跑批处理，得到欺诈集市数据源表；指标加工管理模块对欺诈集市数据源表进行加工处理，得到欺诈指标集；贷中策略管理模块根据欺诈指标集构建贷中欺诈策略集；决策流管理模块将贷中欺诈策略转义成系统可实现的决策流形式；欺诈队列管理模块根据决策流的运行结果生成欺诈队列，并实时输送到案调系统模块；案调审批工作人员对欺诈案件进行审核定性，一方面将案件审核信息输送至贷前欺诈系统，另一方面将案件详情写入数仓系统数据库，从而实现反欺诈贷中风控信息与贷前风控策略的闭环化管理。

3.本发明利用大数据技术，通过欺诈集市模块、指标加工管理模块、贷中策略管理模块、决策流管理模块、欺诈队列管理模块和案调系统模块6大模块的系统化设计和闭环结合，解决了当前行业欺诈风险贷中管理研究较少、无一体化系统的问题，实现信贷业务欺诈风险的自动化的管理，并及时发现、预警欺诈风险，也为行业欺诈风险管理提供新的方案和思路。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是自动决策的智能反欺诈贷中管理系统的框架图；

图2是本发明的流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合图1-2对本发明作详细说明。

一种自动决策的智能反欺诈贷中管理系统，包括：

欺诈集市模块：用于汇集来自于数仓系统的与欺诈风险管理相关的所有数据集，并按照指定的跑批任务定时读取、集成和汇总，得到欺诈集市数据源表。欺诈集市即有欺诈相关数据、指标构成的数据集市。数据集市（Data Mart），也叫数据市场，数据集市就是满足特定的部门或者用户的需求，按照多维的方式进行存储，包括定义维度、需要计算的指标、维度的层次等，生成面向决策分析需求的数据立方体。

指标加工管理模块：对欺诈集市数据源表中的指标进行加工处理，得到欺诈指标集。

贷中策略管理模块：根据欺诈指标集构建贷中欺诈策略集。贷中策略管理模块主要是对反欺诈贷中策略进行统一设计和管理，反欺诈贷中策略管理的主旨是及早发现欺诈风险，主要理念是在保持风险高覆盖的情况保持贷中策略的准确率。

决策流管理模块：用于接收贷中欺诈策略并将贷中欺诈策略转义成应用程序代码的决策流形式；

欺诈队列管理模块：用于汇集决策流管理模块的运行结果，并生成欺诈队列，在存储介质中新建用于保存所述欺诈队列的数据结构；

案调系统模块：用于承接来自于欺诈队列的信息流，对欺诈案件进行审核定性，并将案件审核信息输送至贷前欺诈系统，以及将案件详情写入数仓系统数据库。从而实现反欺诈贷中风控信息与贷前风控策略的闭环化管理。

本发明还公开了一种自动决策的智能反欺诈贷中管理方法，包括以下步骤：

步骤1：欺诈集市模块汇集来自于数仓系统的与欺诈风险管理相关的所有数据集，并按照指定的跑批任务定时读取、集成和汇总，得到欺诈集市数据源表；

步骤1具体包括以下步骤：

步骤1.1：欺诈集市模块通过文件的方式与数仓系统进行数据交互。

数据仓库是一个集成的、面向主题的数据集合，设计的目的是支持DSS（决策支持系统）功能。在数据仓库里，每个数据单元都与特定的时间相关。数据仓库包括原子级别的数据和轻度汇总的数据，是面向主题的、集成的、不可更新的（稳定性）、随时间不断变化（不同时间）的数据集合，用以支持经营管理中的决策制定过程。欺诈集市与数仓系统之间通过文件的方式对接，数仓系统将满足用户定义的数据指标按照用户自定义的跑批准则同步至欺诈集市。

步骤1.2：欺诈集市模块汇集数仓系统中的欺诈数据集。

为构建反欺诈贷中管理闭环体系，需要汇集数仓系统中的欺诈数据集，包括：客户基础属性表、客户位置场景表、客户设备信息表、客户操作行为数据表、客户三方数据信息表、客户贷前欺诈策略命中信息表合计6张表。客户基础属性表，指的是目标用户的基本信息，包括性别、年龄、文化程度，属相，行业等属性；客户位置场景表，指的是目标客户的位置等信息，包括户籍所在地、工作地址、家庭地址等；客户设备信息表，指的是客户移动端设备相关的信息，如设备型号、设备分辨率、设备语言、设备时区等；客户操作行为数据表，指的是客户操作行为流水表，如：注册、登录、提现、找回登录密码、修改交易密码等事件；客户三方数据信息表，指的是从外部数据源查询的客户风险标签汇集，如：人行征信报告评分等；客户贷前欺诈策略命中信息表，指的是客户在贷前反欺诈系统命中的各种策略集的组合。

步骤1.3：设置欺诈集市模块的跑批任务，定时读取、集成、汇总，得到欺诈集市数据源表。

跑批，指的是应用程序对数据的批量处理。跑批任务包括3个特性：第一，大数据量，批量任务一般伴随着大量的数据处理；第二，自动化，要求在用户制定时间或频率后应用程序自动运行；第三，高性能，要求在指定时间内系统完成批处理任务。用户根据不同的数据集对应的不同策略应用属性，构建不同的跑批任务。

步骤2：指标加工管理模块对欺诈集市数据源表中的指标进行加工处理，得到欺诈指标集。

指标由口径和度量构成，其组合方式极多。指标加工管理模块是对欺诈集市的所有指标进行加工处理，对贷中策略所需要的欺诈指标进行统一管理。指标加工管理模块包括指标的横向指标加工和纵向指标加工两种方式。

横向指标加工：主要指欺诈指标的拼接、统计等横向计算模式，包括跨表横向拼接和同表横向加工2种方式。

跨表横向指标拼接：即通过表关联等方式进行不同数据表间的指标的横向关联，包括左关联、右关联、内关联等方式。左关联，是指以左表为中心，查出左表的全部数据，关联字段值不相等则右表查出的数据显示为空；右关联，是指以右表为中心，查出右表的全部数据，关联字段值不相等则左表查出的数据显示为空；内关联，是指查出两表关联字段等值的数据。

同表指标的横向加工：即对同一张数据表中的欺诈指标进行处理、加工、运算等。包括2种形式：单指标的处理和多指标的运算。

单指标的处理，指的是通过多种数据处理函数对单一欺诈指标进行处理加工，主要包括2种形式：（1）指标类型转换，即对单一指标的字段类型进行转化。如：字符转数字，日期转字符等；（2）特征提取，即截取单一指标中的某些显著信息，如判断星期几、获取时间的时点、JSON解析等。

多指标的运算，指的是对多个欺诈指标进行横向的处理计算，主要包括3种方式：（1）时间间隔计算，即对多个时间指标计算两两之间的时间间隔；（2）字符串比较，即比较两两字符串之间的相关性；（3）数值计算，即多两个或多个数值变量进行四则运算或者统计函数运算，如求多个数值欺诈指标的最大值、最小值等。

纵向指标加工：主要指对纵向的欺诈指标集进行汇集运算，将多行数据转化为一列数据指标。主要包括2种方式：（1）纵向历史信息提取，即提取满足一定条件的某次事件下某个信息，如提取最早一次登录事件的IP信息；（2）纵向关联统计，即统计满足一定条件的某个主维度关联某个从维度的频次，如统计最近1一个月内设备号关联的手机号个数。

步骤3：贷中策略管理模块根据欺诈指标集构建贷中欺诈策略集。所述的贷中欺诈策略集包括贷前欺诈预警策略集、早期预警策略集、异常回溯策略集、业务异常策略集、欢迎电话策略集和线下调查策略集。

贷前欺诈预警策略集：由贷前欺诈拒绝策略集组成，如身份伪冒类、电信诈骗类、中介欺诈类等风险。

早期预警策略集：指由于客户申请后或贷款提现后短时间内欺诈风险变坏等策略构成的集合。如：某个客户在贷后短时间内又去多头金融机构申请贷款。

异常回溯策略集：指对于确定某种欺诈的客户回溯其关联通过客户构成的策略集合。如：对于同一个设备关联多个手机号的客户，当设备关联的手机号个数达到某个阈值时贷前反欺诈系统会自动拒绝处理，但是在这个阈值之前的这个设备关联的客户会全部通过，此时，需要对这个设备关联的这些通过进行回溯调查。

业务异常策略集：指当某个业务场景业务量或其他欺诈等指标波动异常时，对当阶段的客户分层随机抽样构建的策略集合。如：某个业务场景最近一小时内欺诈拒绝率同比激增50%，此时需要对该小时内拒绝的客户进行分层随机抽样进行案件调查，以核实拒绝率异常的原因。

欢迎电话策略集：指对于某些涉及线下的业务场景，在客户申贷后的一个短周期范围内，对客户进行欢迎电话回访，以确保客户处于可联、知情等状态。如：针对于经营贷类客户贷后一周内进行电话回访，跟客户确认贷款获知渠道、是否知情等情况。

线下调查策略集：指对于经营类等小微企业贷款业务，在客户申贷后的某个周期范围内，对线下商铺或公司进行线下调查，核实企业经营情况，以及是否正常经营。

步骤4：决策流管理模块将贷中欺诈策略转义成应用程序代码的决策流形式。决策流是基于决策引擎的一系列策略集的代码实现。决策引擎是一个工具，利用决策引擎可以支撑企业在客户管理中的各种决策。决策流管理模块将贷中策略转义为应用程序代码的决策流形式，即机器可读的语言形式。不同的贷中欺诈策略集形成不同的决策流集。

步骤5：欺诈队列管理模块根据决策流的运行结果生成欺诈队列，在存储介质中新建用于保存所述欺诈队列的数据结构，并将欺诈队列实时输送到案调系统。欺诈队列指的是由不同贷中欺诈策略集的决策流任务跑批形成的风险客户队列。每一个决策流集按照跑批频率生成一个或者多个欺诈队列。如：身份伪冒欺诈队列，电信诈骗队列等。

步骤6:案调系统模块对欺诈队列中的欺诈案件进行审核定性，一方面将案件审核信息输送至贷前欺诈系统，另一方面将案件详情写入数仓系统数据库。

案调系统即对欺诈案件调查、定性的工单处理系统。反欺诈贷中管理系统将生成的欺诈队列实时输送到案调系统，由案调工作人员进行相应的调查处理和欺诈案件的审核定性。一方面，系统自动将案件审核信息输送至贷前欺诈系统；另一方面，应用程序将案件详情自动写入数仓系统数据库，从而实现反欺诈贷中风控信息与贷前风控策略的闭环化管理。

以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。