风险预测方法、装置、电子设备及存储介质制造方法及图纸

本公开涉及数据处理技术领域，尤其涉及风险预测方法、装置、电子设备及存储介质。具体实现方案为：获取目标用户的申请信息以及电核信息；利用第一风险评估模型基于申请信息及电核信息得到第一风险评估结果；利用第二风险评估模型基于申请信息及电核信息得到第二风险评估结果；基于第一风险评估结果和第二风险评估结果计算得到第三风险评估结果。通过第一风险评估模型和第二风险评估模型，实现信用卡自动审批，加强对客户欺诈风险行为的识别能力。加强对客户欺诈风险行为的识别能力。加强对客户欺诈风险行为的识别能力。

【技术实现步骤摘要】
风险预测方法、装置、电子设备及存储介质


[0001]本公开涉及数据处理
，尤其涉及风险预测方法、装置、电子设备及存储介质。

技术介绍

[0002]目前，在互联网和大数据时代背景下，银行信用卡面临欺诈风险的严峻挑战，随着欺诈手段越来越呈现多元化、专业化、团伙化等特点，防范难度越来越高，给金融机构带来极其严重的损失。主流的欺诈识别方法以业务经验提取的规则为主，业务经验规则的提取依赖于业务专家的经验。根据在实际业务中，对审批环节设置层层规则，对欺诈客户进行层层把关。通过对提取相关具有高风险欺诈的特征变量，制定相应的规则，对欺诈客户进行拦截。
[0003]目前这种以欺诈规则和人工电核的方式对新发卡客户的欺诈风险进行拦截，随着客户规模的上升，疑似欺诈的客户比例随着上升，这对当前的自动化审批产生了阻力，影响核卡的时效性。

技术实现思路

[0004]本公开提供了一种用于风险预测的方法、装置、电子设备以及存储介质。
[0005]根据本公开的一方面，提供了一种风险预测方法，包括：
[0006]获取目标用户的申请信息以及电核信息；
[0007]利用第一风险评估模型基于所述申请信息及所述电核信息得到第一风险评估结果；
[0008]利用第二风险评估模型基于所述申请信息及所述电核信息得到第二风险评估结果；
[0009]基于所述第一风险评估结果和所述第二风险评估结果计算得到第三风险评估结果。
[0010]根据本公开的另一方面，提供了一种风险预测装置，包括：
[0011]获取模块，被配置为获取目标用户的申请信息以及电核信息；
[0012]第一评估模块，被配置为利用所述第一风险评估模型基于所述申请信息及所述电核信息得到第一风险评估结果；
[0013]第二评估模块，被配置为利用所述第二风险评估模型基于所述申请信息及所述电核信息得到第二风险评估结果；
[0014]综合评估模块，被配置为基于所述第一风险评估结果和所述第二风险评估结果计算得到第三风险评估结果。
[0015]本公开还提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]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方法。
[0019]本公开还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实施例中任一项所述的方法。
[0020]本公开还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实施例中任一项所述的方法。
[0021]本公开提供了风险预测方法、装置、电子设备及存储介质，通过构建第一风险评估模型和第二风险评估模型，分别针对不同的业务目标进行识别，并进行综合评估，加强对客户欺诈风险行为的识别能力，应用在新客户审批流程中，通过提升审批过程中对欺诈风险客户的识别能力，优化人工电核流量，提升电核自动化比例；利用大数据算法进行模型开发，实现利用量化工具对客户的欺诈异常行为进行风险评价。
[0022]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
[0023]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0024]图1是本公开实施例中的风险预测方法的步骤示意图；
[0025]图2是本公开实施例中的风险预测方法中的模型训练方法的步骤图；
[0026]图3是本公开实施例中的风险预测装置的原理框图；
[0027]图4是本公开实施例中的第一风险评估模块的原理框图；
[0028]图5是本公开实施例中的第二风险评估模块的原理框图；
[0029]图6是本公开实施例中的风险预测装置中的模型训练模块的原理框图。
具体实施方式
[0030]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。
[0031]本公开提供了一种风险预测方法，如图1所示，包括：
[0032]步骤S101，获取目标用户的申请信息以及电核信息；
[0033]步骤S102，利用第一风险评估模型基于申请信息及电核信息得到第一风险评估结果；
[0034]步骤S103，利用第二风险评估模型基于申请信息及电核信息得到第二风险评估结果，需要说明的是，步骤S103和步骤S102的执行步骤不限定顺序，既可以先执行步骤S102也可以先执行步骤S103，两者也可以同时进行；
[0035]步骤S104，基于第一风险评估结果和第二风险评估结果计算得到第三风险评估结果。
[0036]具体地，本公开的风险预测方法可以应用在信用卡审批的审批过程中。在本实施例中，申请信息可以是信用卡客户在申请信用卡时所填写的申请表信息、申请人设备信息、
人行征信信息、第三方征信信息、学历信息、商旅信息、行内零售信息、工商信息、GPS定位信息、进件行为信息、关系网络信息、人脸识别信息等等，通过多方面的信息全方位的了解客户情况。电核信息是指在审批过程中，对目标客户进行外呼，基于预设的问题对目标客户进行提问所获得的客户信息。
[0037]第一风险评估模型和第二风险评估模型所针对的业务目标不同，第一风险评估模型主要用于识别电核异常率，即在电核过程中，目标客户的信息是否不实，电核环节异常的情形一般可以包括：“不良中介”、“伪冒申请”、“虚假单位”、“虚假单位信息”、“虚假雇佣”、“综合异常”的客户；第二风险评估模型主要用于识别欺诈风险率，主要用于预测该客户申请信用卡之后违约的概率，例如发卡后出现逾期的情况。
[0038]进一步地，两个模型会根据各自的识别目标得出一组评估结果，例如某客户电核异常的概率为20％，欺诈的概率为3％，基于以上两个概率进行综合的风险评估，得到最终的风险评估结果。基于模型可以自动完成信用卡的审批，提升自动化审批的比例，提升信用卡审批效率；另一方面，同时利用两个模型针对不同的业务目标进行评估，可以加强对欺诈风险客户的识别能力，尽可能降低或避免银行的损失。
[0039]作为可选的实施方式，步骤S102具体包括：第一风险评估模型基于申请信息及电核信息提取第一类特征向量；第一风险评估模型基于第一类特征向量得到第一风险评估结果。步骤S103具体包括：第二风险评估模型基于申请信息及电核信息提取第二类特征向量；第二风险评估模型基于第二类特征向量得到第二风险评估结果。由于第一风险评估模型和第二风本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险预测方法，其特征在于，包括：获取目标用户的申请信息以及电核信息；利用第一风险评估模型基于所述申请信息及所述电核信息得到第一风险评估结果；利用第二风险评估模型基于所述申请信息及所述电核信息得到第二风险评估结果；基于所述第一风险评估结果和所述第二风险评估结果计算得到第三风险评估结果。2.根据权利要求1所述的方法，其特征在于，所述利用第一风险评估模型基于所述申请信息及所述电核信息得到第一风险评估结果包括：基于所述申请信息及所述电核信息提取第一类特征向量；基于所述第一类特征向量得到第一风险评估结果；所述利用第二风险评估模型基于所述申请信息及所述电核信息得到第二风险评估结果包括：基于所述申请信息及所述电核信息提取第二类特征向量；基于所述第二类特征向量得到第二风险评估结果。3.根据权利要求2所述的方法，其特征在于，所述第一类特征向量包括以下至少一项：申请表基本信息；人行征信信息；学历信息；第三方征信信息；行内零售信息；进件行为信息；关系网络信息；申请人设备信息。4.根据权利要求2所述的方法，其特征在于，所述第二类特征向量包括以下至少一项：申请表基本信息；人行征信信息；学历信息；第三方征信信息；行内零售信息；进件行为信息。5.根据权利要求2所述的方法，其特征在于，所述基于所述第一类特征向量计算得到第一风险评估结果包括：基于多个所述目标用户对应的所述第一类特征向量对多个所述目标用户进行分阶排序，并输出每一阶段的所述目标用户的电核异常概率作为所述第一风险评估结果；所述基于所述第二类特征向量计算得到第二风险评估结果包括：基于多个所述目标用户对应的所述第二类特征向量对多个所述目标用户进行分阶排序，并输出每一阶段的所述目标用户的欺诈风险概率作为所述第二风险评估结果。6.根据权利要求5所述的方法，其特征在于，所述基于所述第一风险评估结果和所述第二风险评估结果计算得到第三风险评估结果包括：基于所述电核异常概率确定所述第一风险评估结果对应的第一好坏比率，并将所述第一好坏比率转换为对应的第一评分；基于所述欺诈风险概率确定所述第二风险评估结果对应的第二好坏比率，并将所述第二好坏比率转换为对应的第二评分；基于所述第一评分和所述第二评分得到总评分作为所述第三风险评估结果。7.根据权利要求6所述的方法，其特征在于，所述第一好坏比率和所述第二好坏比率通过下列公式计算得到：其中，G表示好客户样本；B表示坏客户样本；S表示全部样本；Pr{G|S}表示好客户样本
比例；Pr{B|S}表示坏客户样本比例；Odds表示好坏比率。8.根据权利要求6所述的方法，其特征在于，通过下列公式将所述第一好坏比率和所述第二好坏比率转换为对应的所述第一评分及所述第二评分：S＝score+PDO*(ln(Odds)
‑
ln(基准Odds))/ln(2)其中，score表示基准评分；...

【专利技术属性】
技术研发人员：石坤豪，徐周，
申请(专利权)人：中信银行股份有限公司，
类型：发明
国别省市：