[发明专利]一种基于动态规则库的消费金融反欺诈系统与方法

说明书

技术领域

本发明一种基于动态规则库的消费金融反欺诈系统与方法，涉及金融风控领域技术，具体涉及一种面向消费金融领域的反申请欺诈系统与方法。

背景技术

消费金融作为普惠金融的重要组成部分，在国家发展普惠金融的政策背景下具有广阔的市场前景。据国际权威数据统计机构IDC发布的数据显示，我国消费金融市场规模在2020年将达到12万亿以上的规模。然而，消费金融的客户群体为自然人个体和小微企业，呈现典型的下沉特征，具有复杂性特点。因此，在反欺诈环节，传统的依赖人工经验的反欺诈理论体系和技术已无法适用于消费金融。而对于申请反欺诈来说，作为消费金融风险控制的第一步，对于扩展自有获客渠道，提升利润空间具有重要意义。当前主流的消费金融反欺诈方法，根据实现技术的不同可以分为两类：一类是依托于经验和外部数据结合的方式，基于人工经验构建反欺诈的静态规则库，在规则中引入外部数据源，通过外部数据和申请数据的交叉比对来认定申请是否为欺诈行为(附图1所示)；另一类是纯数据驱动的方式，利用企业或机构自身积累的大量带有欺诈标签的数据，构建和训练神经网络等非线性预测模型，并基于训练完成的模型判断客户提交的申请是否为欺诈。前者的应用较为广泛，然而由于规则来源于经验，规则库的更新时间窗口也依赖于人工经验。在当前团体骗贷、违约等群体性欺诈行为逐渐高科技化、脚本化的严峻现实下，传统的静态规则库对突发性、群体性欺诈行为响应缓慢，且静态规则库一旦被破解，短时间内便能造成巨大损失。后一种基于纯数据驱动的方法虽然能够满足对群体性欺诈行为的快速响应，且不易被破解，但是对于大多数持牌消费金融机构或新兴的互联网消费金融公司来说，本身所积累的存量数据的数量和维度多样性很难支持构建反欺诈模型，且欺诈标签型数据多为黑名单数据，在消费金融企业和机构间存在较厚的壁垒，很难从外部引入用以构建和训练模型，即使有提供反欺诈服务的金融科技公司，提供的反欺诈模型也仅为黑盒形式，其反欺诈机制和原理无法获得，在当前监管日趋严格的趋势下，无助于消费金融企业和机构掌握和提升自主风控能力。

发明内容

基于以上在消费金融反欺诈领域存在的问题，本发明提出了一种基于动态规则库的消费金融反欺诈系统与方法，将人工经验和数据驱动的智能决策技术相结合，既通过数据驱动智能决策技术的应用，弥补了静态规则库响应慢、易破解的缺点；又通过人工经验的合理介入解决了纯数据驱动反欺诈模型数据应用门槛高，不易实施的难点。

为实现上述目的，本发明一种基于动态规则库的消费金融反欺诈系统与方法，采用如下之技术方案：

基于动态规则库的消费金融反欺诈方法依托于本发明提出的反欺诈系统平台实施，一种基于动态规则库的消费金融反欺诈系统，主要包括数据准备模块、基于动态规则库的反欺诈引擎模块及建模人机接口模块：具体如下：

数据准备模块：该部分提供了数据可视化的人机接口，支持对数据进行清洗、统计分析等EDA操作。存量交易数据作为样本数据可以通过数据源等数据接口方式批量导入该模块，同时也支持外部第三方数据源的导入。用户在使用时可以通过该模块完成数据融合，以及对导入数据各维度分布、离群点以及缺项情况进行探索和完善，并结合经验信息完成入模变量的筛选。该模块输出已经筛选过的入模变量，以及对应的训练样本。用户在使用时可以通过该模块完成样本数据准备工作。该模块包括以下子模块用以支持上述功能的实现：

数据导入子模块：该子模块提供了用于训练模型的样本数据的导入。包括csv、txt和JDBC等形式的外部数据导入。

数据处理/融合子模块：该子模块调用数据导入子模块，提供了对导入数据的初步处理以及融合。支持以拖拽的形式对已经导入的样本数据的维度进行组合和融合，从而构建新的样本数据集合。

数据EDA(Exploratory Data Analysis，探索性数据分析)子模块：该模块调用数据处理/融合子模块，提供了对新组合的数据样本进行探索性分析的功能。主要包括对数据样本集合中，各个变量维度的频率、众数、百分位数、均值、中位数、方差、标准差、偏度和峰度进行统计分析。

数据可视化呈现子模块：该模块通过调用数据处理/融合子模块和数据EDA子模块，提供了对数据导入子模块导入的原始数据、数据处理/融合子模块重新组合构建的样本数据集合和数据EDA子模块得到的数据EDA结果的可视化呈现。可以以表格、散点图、柱状图、饼图、等高线图和雷达图等方式对数据的EDA结果进行呈现。