CN101236638A - 一种基于Web的银行卡风险监测方法及*** - Google Patents

Abstract

本发明提供一种基于Web的银行卡风险监测方法及***，所述的方法包括：实时采集银行卡交易数据；周期采集银行卡属性数据；建立银行卡风险监测模型；根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；接收Web银行卡风险监测服务请求；根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。以通过评价和监控银行卡风险数据，控制银行卡业务风险、提高收益水平。

Description

一种基于Web的银行卡风险监测方法及***

技术领域

发明关于计算机网络和Web技术，特别是关于利用计算机网络和Web技术的银行卡信用风险和欺诈风险的监测，具体的讲是一种基于Web的银行卡风险监测方法及***。

背景技术

银行卡是一种高风险同时又是高利润回报的金融产品，由于银行卡产品背后代表了优质客户群，以及最高年利率可达18％的透支利息的高回报特点，银行卡业务已成为商业银行最为盈利的业务之一。

但是，随着银行卡业务的进一步发展，银行卡风险发生也越来越频繁。而且随着发卡行、特约商户和持卡人的增多，银行卡风险体现出涉及面广、风险种类多样、危害性大的特点。每年因为伪卡风险给银行带来的损失就超过35亿美元。

中国发明专利申请200410069101.0公开了一种金融企业对客户进行风险分析的***和方法，该发明通过对客户的信用评级来进行风险的防范。该发明所公开的技术方案被合并于此，以作为本发明的现有技术。

虽然，现有技术中存在金融企业对客户进行风险分析的技术方案，但是绝大多数银行对银行卡风险的管理机制相对比较薄弱，信用风险和欺诈风险的预警时效性和侦测鉴别率不高、方法落后，操作风险的量化统计和监测有待完善。

发明内容

本发明提供一种基于Web的银行卡风险监测方法及***，以通过评价和监控银行卡风险数据，控制银行卡业务风险、提高收益水平。

本发明的目的之一是：提供一种基于Web的银行卡风险监测方法，所述的方法包括：实时采集银行卡交易数据；周期采集银行卡属性数据；建立银行卡风险监测模型；根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；接收Web银行卡风险监测服务请求；根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。

本发明的目的之一是：提供一种基于Web的银行卡风险监测***，其特征是，所述的***包括：银行卡风险监测装置和风险监测Web服务装置，所述的银行卡风险监测装置与风险监测Web服务装置相连接；其中，所述的银行卡风险监测装置包括：银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；所述的风险监测Web服务装置包括：Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。

本发明的目的之一是：提供一种基于Web的银行卡风险监测***，其特征是，所述的***包括：银行卡基础数据生成装置、银行卡风险监测装置、风险监测Web服务装置和用户终端；其中，所述的银行卡基础数据生成装置包括：银行卡帐户数据单元，用于生成银行卡交易数据和属性数据；实时传送单元，实时传送银行卡交易数据；批量传送单元，用于周期传送银行卡属性数据；所述的银行卡风险监测装置包括：银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；所述的风险监测Web服务装置包括：Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示；所述的用户终端包括：输入单元，用于输入用户指令；显示单元，用于显示Web界面。

本发明通过提供一种客观有效且操作简便，处理效率很高的对银行卡客户信用风险和欺诈风险进行量化和评价的***和方法，对控制银行的银行卡风险和提高银行的收益水平具有重要意义，其取得的具体效果如下：

风险发现及时性。通过准实时的监控方式，能够及时发现银行卡客户的信用风险和欺诈风险，有效减少由于银行卡风险为银行带来的损失。

风险评价全面性。通过多个风险监测模型，对银行卡交易进行评价，评价相对比较全面。

实现高效性。同以前人工处理的方式相比，本发明处理效率高、在日常银行卡风险管理工作中具有较高的可操作性，有效提高了银行卡风险管理的效率；

随着数据的不断累积，经反复修正后的风险监测模型将更为科学、有效，从而产生更为准确的风险数据。

附图说明

图1为本发明***连接示意图；

图2为本发明***银行卡基础数据生成装置的结构框图；

图3为本发明***银行卡风险监测装置的结构框图；

图4为本发明***Web服务装置的结构框图；

图5为本发明***具体实施方式的结构框图；

图6为本发明具体实施方式的工作流程图；

图7为本发明***监测模型的结构框图；

图8为本发明***交易指标监测模型的结构框图；

图9为本发明***客观逻辑监测模型的结构框图；

图10为本发明***交易习惯监测模型的结构框图；

图11为本发明***特别关注监测模型的结构框图；

图12为本发明具体实施方式的分段监测的时间分割示意图；

图13为本发明具体实施方式的银行卡风险度定量评价图。

具体实施方式

下面结合附图说明本发明的具体实施方式。本发明对银行卡交易数据进行实时的采集，利用对用卡风险行为的分析研究作总结的风险规律，对交易数据进行分析和风险计量，准确地识别风险事件和对应的银行卡，并提取风险卡片的关联信息，帮助银行卡风险防范人员对该事件进行处理，及时采取应对措施，防止资金损失。

如图1所示，银行卡联机业务***服务器101，是银行的一个日常业务处理***，负责银行银行卡开卡、消费、取现等业务的后台联机处理，由它产生的基础数据，如账户基本信息、账户余额情况、账户***情况、账户取现情况、账户透支情况等银行卡属性和交易数据，是进行银行卡用卡行为分析的基础数据。银行卡联机业务***服务器101中的数据以两种方式经局域网下传给数据服务器102：(一)对于银行卡交易数据，由于监控时效性要求高，通过网关实时外发机制实时下传给数据服务器102；(二)对于一些用于分析的银行卡属性信息，例如客户数据、账户数据、卡片数据一般需要通过关联关系获取，如果实时获取对联机业务***性能影响较大，而此类数据的时效性和精确度要求不高，因此可以通过每日批量的方式下传给数据服务器102。通过实时和批量结合的数据传输方式，既可以避开正常业务交易的高峰，降低联机***压力、保证正常业务运行性能，同时也可以及时发现异常交易，两种方式配合使用，使得***资源和监控效果达到均衡。

数据服务器102是一个数据库管理***，作用是以从联机业务***服务器101获取的银行卡相关数据为基础，利用风险监测模型进行风险分析和计量，得到风险监测结果数据，包括风险卡片、风险交易事件、风险商户等信息。同时，数据服务器102也为银行卡风险管理操作提供数据存取服务，提供的数据内容除了以上监测结果数据外，还包括客户信息、账户信息、卡片信息、商户信息、近期交易信息等辅助分析数据；此外还负责存储和提供风险事件的管理数据，如风险事件的调查、确认、评估等操作信息。

应用服务器103负责***的逻辑处理，它根据Web服务器104上送的用户请求，访问数据服务器102，取得用户请求的数据或根据用户请求更新数据后，将结果返回给Web服务器104，由Web服务器104进行显示处理。另外，它还负责提供和风险管理工作相关的一些应用服务，主要是风险核实和处理措施，例如：和电话中心对接，提供电话外拨服务；和信息平台对接，提供电子邮件和短信服务；和银行卡联机业务***对接，提供账户/卡片冻结操作服务等内容。相关操作结果信息应返回数据服务器102进行存储。

Web服务器104，为客户提供基于http和https的服务，动态生产Web页面文件，经局域网提供给用户终端装置105和106，实现与用户终端装置105和106的交互。Web服务器104处理Web页面的界面处理，具体的业务逻辑处理转给应用服务器103进行处理，并接收应用服务器103的处理结果进行后续处理，最终将处理结果发送给客户终端装置105和106。

局域网为企业的局域网，可以是以太网(Ethernet)，也可以是其它局域网，如光纤分布式数据接口(FDDI)、令牌环(Token-Ring)等。另外还可以通过租用专线等方式将其各个分支机构的局域网连接组成更大的企业内部网(Intranet)。

用户终端装置105和106是***的客户端，可以是一台PC，安装有浏览器软件，也可以是其它能够运行浏览器软件的装置，如NC、Windows图形终端等。它有显示装置和输入装置，显示装置可以是显示器，输入装置可以是键盘和鼠标。用户终端装置105和106连接到内部网络，实现与Web服务器104的连接。

柜员认证装置107负责对用户进行身份认证，用户在使用***前必须进行登录，用户在用户终端装置105和106上输入用户名、密码等认证信息，客户终端装置105和106将用户认证信息经过内部网络发送给Web服务器104，Web服务器104再转给应用服务器103处理，应用服务器103经过处理认为应该进行认证时(如该用户没有经过认证)，则将认证信息转给柜员认证装置107进行认证处理，认证的结果将返回应用服务器103，认证结果将会保存在应用服务器103的内存中，以便确认该用户在整合登录操作过程中是否已经过认证，相关的操作记录也会在数据服务器102中予以记录。

如图2所示，为银行卡基础数据生成装置，包括银行卡帐户数据单元，用于生成银行卡交易数据和属性数据；实时传送单元，实时传送银行卡交易数据；批量传送单元，用于周期传送银行卡属性数据。

如图3所示，为银行卡风险监测装置，包括银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据。

如图4所示，为风险监测Web服务装置，包括Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。

如图5所示，为一种基于Web的银行卡风险监测***，该***包括：银行卡基础数据生成装置、银行卡风险监测装置、风险监测Web服务装置和用户终端；其中，所述的银行卡基础数据生成装置包括：银行卡帐户数据单元，用于生成银行卡交易数据和属性数据；实时传送单元，实时传送银行卡交易数据；批量传送单元，用于周期传送银行卡属性数据；所述的银行卡风险监测装置包括：银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；所述的风险监测Web服务装置包括：Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示；所述的用户终端包括：输入单元，用于输入用户指令；显示单元，用于显示Web界面。用户在进行监测服务请求之前，需进行身份认证。

如图6所示，本具体实施方式的各步骤描述如下：

步骤S101：对基础数据进行采集。数据采集分三部分：其一，每日批量将银行卡联机业务***1中的银行卡客户、账户、卡片等数据文件下载至数据服务装置2中；其二，以实时的方式将银行卡联机业务***1中的银行卡联机交易数据下载到数据服务装置1中；其三，对于模型参数，如重点商户名单、金额阈值等，则由监控柜员输入，然后保存在数据服务装置1中。数据录入的周期是不定期的，根据业务的变化调整而更新到***中。

上述三方面的数据是进行银行卡用卡行为风险分析所需的基础数据。

步骤S102：对基础数据进行初步的加工，形成一些中间结果数据，比如客户当日累计消费金额/笔数、高风险商户清单等。

步骤S103：准实时风险分析。在最理想情况下，应该接收到一笔实时交易数据，即刻对该笔交易进行分析，确认其是否满足专家模型的监控标准。但是由于专家模型包含多种复杂的统计分析逻辑，这种即时处理方式需要每次对该笔交易的相关数据进行实时统计，如交易前一段时期内的累计交易金额/笔数等内容，尤其是部分专家模型含有时间段滚动式监控统计要求，其***实现的代价相当高，因此我们必须对需要作准实时监测处理的内容区别对待。

一类是可以通过即时分析，得到监控结果的风险模型。此类模型一般通过对单笔交易行为的孤立分析，关联风险商户、历史平均交易额/交易笔数、交易发生地等其他辅助信息，可以直接获得分析结论，数据运算量一般很小。

另一类是无法通过孤立分析获得结论的风险模型，此类模型一般带有累计(含滚动时间段的累计要求)、连续发生等统计判断条件，需要关联统计该交易发生前的多项交易指标，其在具体实现中可以考虑牺牲一定的监测准确性来达到监测覆盖面和***性能的平衡。下面介绍一种分段统计分析的做法：

如图12所示，对于滚动累计H小时(即从该交易发生时间开始，前推H小时)，交易金额达到监控阀值的监测。从时间轴上进行切分，将统计时间段H切分为N段。时间切分越细，N越大，则统计越精确。在每个时间片段，对所有发生交易的卡片汇总其前H小时的交易指标，与监测标准进行比对，获得监测结果数据。如果滚动累计统计的时间周期H为8小时，每0.5小时切分一个时间段。假设每0.5小时发生1万笔银行卡交易，涉及卡片1万，8小时内发生8万笔银行卡交易，涉及卡片假设为4万。那么在计算此监控模型时，标准的计算方法是：从交易明细数据中取出过去8小时该卡片的交易数据，汇总统计其累计交易金额与参数值进行比对。按以上假设，每天发生银行卡交易24万笔，那么按以上方法将需要查询交易明细表24万次(由于交易发生的时间不同，因此统计的时间段也不尽相同，这24万次的查询也只能分开执行)，每次平均查到2笔交易明细数据，汇总交易金额和阀值进行比对。现在每隔0.5小时分别统计一次该时间段内发生交易的卡片和每张卡片在过去16个时间片段内的累积交易指标，然后将这两个结果进行关联，并同时比对监测阀值标准，获得监测结果数据。虽然这样每次查询/统计的交易数据量有1万笔交易，而且需要做一次1万张卡(0.5小时内发生)和4万张卡(8小时内发生)的关联，但是由于查询统计次数从每天24万次骤降到了48次，大大降低了交易明细数据表的全表扫描次数，使得总体运行效率大幅提升。

步骤S104：日终批量风险分析。对于一些需要统计多日数据进行分析的风险模型，其监控目标是发现规律的、较为长期的风险行为，其时效性要求不是很高。对于此类模型，我们可以采用每日批量的形式进行监测，在T+1日对T日的交易数据进行统计分析。

步骤S105：任务分配。对于经过专家模型监测得到的待处理的风险事件，需要在风险管理***内分配给风险管理人员进行核实和确认。

步骤S106：风险事件管理。风险管理人员接收***发送的风险事件后，采取有效措施对风险事件进行核实确认，其途径有内部沟通、电话、短信、电子邮件等，结合办公管理、电话中心(客服中心)等平台的配合，可以达到高效集约化管理的效果。风险管理人员依据掌握的情况，对风险事件做出最终的定性结论，并根据需要采取应对措施。主要的风险应对措施有挂失(客户发起)、催收、止付等。

步骤S107：风险度定量评价。

为了及时了解风险发生情况，***提供风险评价机制。风险评价是对风险事件所涉及的机构、卡片、客户、商户的风险情况进行量化。其具体方法是，根据风险管理人员对风险事件做出的不同程度的定性结论，给与不同的风险分值，然后根据评价对象分别进行汇总统计。评价对象一般有发卡机构、交易卡片、客户、客户分类、商户、商户类型。根据风险评价的历史变化，还可以及时调整风险管理和业务营销策略，在业务发展的同时使得风险受控。风险度定量评价如图13。

步骤S108：模型甄别率定量评价。

由于用卡风险形式的不断变化，要求专家模型不断地进行修正。对模型进行评价是修正模型的主要依据，而模型甄别率是评价模型质量的主要指标。***定期(月或年)对模型的甄别率进行统计，主要方法是对于风险管理人员处理过的风险事件，按专家模型进行分组，统计“报警卡次”、“通过卡次”、“确认风险卡次”，考虑到不同卡种和不同地区之间的风险差异，可以在将“卡种”和“发卡地区”纳入分组条件。

【报警卡次】＝经过专家模型分析，被***预警的的卡次(风险事件)

【通过卡次】＝经过风险管理人员核实，确认为“正常”的卡次(风险事件)

【确认风险卡次】＝经过风险管理人员核实，确认为“案件”或“违规/违约”的卡次

【确认风险卡次与报警卡次占比】＝【确认风险卡次】/【报警卡次】

【确认风险卡次与通过卡次比例】＝【确认风险卡次】/【通过卡次】

“确认风险卡次与报警卡次占比”或“确认风险卡次与通过卡次比例”越高，说明该模型监测的准确性越高，模型设计的合理性和准确性也越高，监测效果也就越好。反之，说明模型的准确度不高，监测效果差，需要进行修订。

步骤S109：模型改进。

对步骤S108的处理结果，银行卡部门应对得分较低的模型进行改进，改进方法包括调整阀值参数以及对模型规则的修订，进而达到更好的监控效果。

如图7所示，对于整个***而言，监测模型在整个风险监测中有着举足轻重的地位。构建监测模型的依据，是从用户的用卡习惯出发，结合银行卡案件特征所总结出来的一组方法。下面为建立监测模型的描述：

如图8所示，为交易指标监测模型的建立方法，常用的分析指标有以下几个：

单笔交易金额。该指标是直接对单笔交易进行判断，根据预先设置的参数阀值，判断其交易金额是否达到了预警标准。该指标目的是及时发现大额异常交易风险，在防范信用风险和欺诈风险中都有运用，对时效性要求很高，一般作为实时监测指标。

滚动周期内的累计交易金额。该指标是对卡片在一定时间周期内的多笔交易行为进行判断，统计该卡片自交易发生时间开始，前推固定周期的累计交易金额，判断其累计交易金额是否达到了预警标准。该指标的目的是及时发现有意逃避大额交易监控，但实际有大量资金变化的交易风险。该指标主要用于对欺诈风险的监测，对时效性要求很高，一般作为实时监测指标。该指标的滚动周期也可以以天为单位，则其时效性要求也相对较低，可作为批量监测指标。

滚动周期内的交易频度。该指标同样是对卡片在一定时间周期内的多笔交易行为进行判断，统计该卡片自交易发生时间开始，前推固定周期的累计交易笔数，判断其累计交易笔数是否达到了预警标准。该指标的目的是及时发现频繁非大额交易的潜在风险，主要用于对欺诈风险的监测。

账户当前透支余额/透支比例。该指标是对卡片在交易后的透支程度进行判断，目的是及时发现恶意透支行为，主要用于对信用风险的监测，对时效性要求很高，一般作为实时监测指标。因为透支正是银行卡的业务特点，属于正常的用卡行为，且也是银行卡业务的主要盈利点，因此该指标一般都需要与其他行为分析方法组合进行监控，如新开卡即大量透支取现、每次在还款周期初始大额透支期末归还等。

如图9所示，客观逻辑监测模型的建立方法，该分析方法主要从交易信息中的客观条件属性出发，筛选出不合逻辑的交易行为，及时防范风险损失。常用的分析方法有：

判断交易发生地是否合理。交易地点的合理性，一般通过前后两笔交易的发生时间间隔和物理距离进行判断。比如，同一张卡前后两笔交易间隔为8小时，而其发生地分别为中国北京和美国纽约，那么可以认为这张卡片存在较高的被仿冒风险，因为北京和纽约之间即便搭乘最快的运输工具，至少也要花十几个小时。该方法用于对欺诈风险的监测，对时效性要求很高，一般需要实时监测。当然在时代在迅猛发展，必须考虑到一些新的情况，例如该方法不能用于对网上交易的监控。

试刷卡。一般正常交易其交易金额的波动不会过大且应该是无序的，当发生一笔小金额交易，随后紧接着(一般在几十分钟内)发生连续多笔大额消费交易，则其存在欺诈风险的可能性是比较高的。这种情况所发生的案件主要是伪卡交易，诈骗者首先尝试性的进行一笔小金额的消费，一旦成功则随即进行连续的大额消费。

高风险授权拒绝交易。高风险授权拒绝交易是指连续多次输错密码、***出错、使用被盗卡等交易，此类交易有的是欺诈交易的概率很高，有的几乎肯定是欺诈交易。用此方法监控的为高风险事件，应进行实时监控。

新卡启用短时间内大额透支。新卡启用后短时间内就进行大额透支交易，尤其是大额透支取现交易，则该卡存在信用风险的概率较高。如果该卡片账户头两个月还有过拖欠记录，同时又有高额透支取现行为，则该持卡人很可能存在资金断流风险，对银行日后发生风险损失的可能性远高于一般卡片。

如图10所示，交易习惯监测模型建立方法，客户的交易习惯一般都是有规律的，而99％以上的交易都遵循这种规律，如果卡户的用卡行为不符合他的日常行为规律，那么相应的交易存在的风险将大大高于一般交易行为。常用的此类分析方法有：

客户消费/取现***时很少做现金透支取现交易，然而最近该卡片发生大金额的透支取现交易，且长时间未还款，则该张卡片存在较大的信用风险或欺诈风险的可能。该方法建议作为实时监测内容，能够达到比较好的监控效果。

客户消费/取现习惯(累计)。与上面的监控方法类似，采用一段时期累计的交易行为分析作为对单笔监控的补充，统计的指标变为月均消费/取现金额、月均透支金额等。该方法主要用于对信用风险的监测，时效性要求不高，可以作为批量监控内容。

商户交易规律。以上分析方法，可以扩展运用到对商户风险的监控。其监控方式与上面两种方法类似，但是统计对象从客户便为商户/交易场所，主要统计在过去一段时期内在该商户/交易场所的笔均消费金额、日均消费笔数/金额等指标，及时发现商户的欺诈风险以及客户利用银行卡套现所潜在的信用风险。该方法对时效性要求不高，可以作为批量监控内容。

境内/境外大额消费。境内消费和境外消费有不同的特征，因此境内消费和境外消费可以作为不同权重因素参与风险运算。

如图11所示，为特别关注监测模型建立方法，该方法主要针对已知的、需要特别留意的交易行为，大多针对欺诈风险，可用的方法有：

疑似不良账户。对于经常有拖欠记录，且拖欠程度达到一定标准的疑似不良卡片账户需要重点关注其透支行为。该方法主要防范信用风险。

高风险国家/地区交易。部分国家或者地区，银行卡欺诈比较猖獗，因此对于这些国家/地区所发生的交易，应加大其参与风险计算的权重。

高风险商户消费。某些商户历史上存在多次套现、伪卡消费等欺诈行为，被认为是高风险商户，对于在这些商户进行的交易，应加大其参与风险计算的权重。商户的名单可以是通过本机构统计分析获得的，也可以是接收银行卡组织公布的黑名单(CPP重点商户)。

大学生群体消费。大学生是一个比较特殊的群体，大部分人是没有收入的，因此潜在的信用风险也较高。对大学生毕业前三个月内用卡交易和还款情况进行重点监控，可以及时发现个别学生准备大额透支后弃卡的企图。

以上从不同角度介绍了几种构建银行卡风险监控模型的方法。实际上，一个风险行为，通常是满足多个条件的。因此，在构建模型的时候，需要将以上的方法结合起来。指标分析法是贯穿始终的。不同的行为可以构成不同的模型。对于不同的行为在设置金额指标或笔数指标时要采用不同的标准设定方法，有的时候还需要采用多个标准设定方法。以上方法的交叉组合，可以构建多个模型，使得模型覆盖面广，针对性强。

本发明提供了一种客观有效且操作简便，处理效率很高的对银行卡客户信用风险和欺诈风险进行量化和评价的***和方法，对控制银行的银行卡风险和提高银行的收益水平具有重要意义，其取得的具体效果如下：

风险发现及时性。通过准实时的监控方式，能够及时发现银行卡客户的信用风险和欺诈风险，  有效减少由于银行卡风险为银行带来的损失。

风险评价全面性。通过多个专家模型，对银行卡交易进行评价，评价相对比较全面。

实现高效性。同以前人工处理的方式相比，本发明处理效率高、在日常银行卡风险管理工作中具有较高的可操作性，有效提高了银行卡风险管理的效率；

随着数据的不断累积，经反复修正后的计算模型将更为科学、有效，从而产生更为准确的风险数据。

以上具体实施方式仅用于说明发明，而非用于限定发明。

Claims (15)

1.一种基于Web的银行卡风险监测方法，其特征是，所述的方法包括：

实时采集银行卡交易数据；

周期采集银行卡属性数据；

建立银行卡风险监测模型；

根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；

接收Web银行卡风险监测服务请求；

根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。

2.根据权利要求1所述的方法，其特征是，所述的实时采集银行卡交易数据包括：实时采集银行卡***数据、银行卡刷卡取现数据、银行卡帐户余额数据以及银行卡帐户透支数据；

所述的周期采集银行卡属性数据包括：在设定的时间周期内批量采集银行卡客户数据、银行卡帐户数据以及银行卡卡片数据。

3.根据权利要求1所述的方法，其特征是，所述的建立银行卡风险监测模型包括：根据银行卡单笔交易金额、滚动周期内的累计交易金额、滚动周期内的交易频度和帐户当前透支余额/透支比例建立交易指标监测模型。

4.根据权利要求1所述的方法，其特征是，所述的建立银行卡风险监测模型包括：根据银行卡交易发生地、试刷卡事件、拒绝交易事件和新卡高额透支事件建立客观逻辑监测模型。

5.根据权利要求1所述的方法，其特征是，所述的建立银行卡风险监测模型包括：根据银行卡客户单笔消费/取现习惯、客户累计消费/取现习惯、客户交易规律和境内外大额消费建立交易习惯监测模型。

6.根据权利要求1所述的方法，其特征是，所述的建立银行卡风险监测模型包括：根据银行卡疑似不良帐户、高风险国家/地区交易、高风险商户消费和大学生群体消费建立特别关注监测模型。

7.根据权利要求3至6任意一项所述的方法，其特征是，根据所述银行卡风险监测结果数据的准确率对所述的银行卡风险监测模型进行改进。

8.一种基于Web的银行卡风险监测***，其特征是，所述的***包括：银行卡风险监测装置和风险监测Web服务装置，所述的银行卡风险监测装置与风险监测Web服务装置相连接；其中，

所述的银行卡风险监测装置包括：银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；

所述的风险监测Web服务装置包括：Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示。

9.根据权利要求8所述的***，其特征是，所述的银行卡交易数据包括：实时采集银行卡***数据、银行卡刷卡取现数据、银行卡帐户余额数据以及银行卡帐户透支数据；

所述的银行卡属性数据包括：在设定的时间周期内批量采集银行卡客户数据、银行卡帐户数据以及银行卡卡片数据。

10.根据权利要求8所述的***，其特征是，所述的监测模型建立单元：用于根据银行卡单笔交易金额、滚动周期内的累计交易金额、滚动周期内的交易频度和帐户当前透支余额/透支比例建立交易指标监测模型。

11.根据权利要求8所述的***，其特征是，所述的监测模型建立单元：用于根据银行卡交易发生地、试刷卡事件、拒绝交易事件和新卡高额透支事件建立客观逻辑监测模型。

12.根据权利要求8所述的***，其特征是，所述的监测模型建立单元：用于根据银行卡客户单笔消费/取现习惯、客户累计消费/取现习惯、客户交易规律和境内外大额消费建立交易习惯监测模型。

13.根据权利要求8所述的***，其特征是，所述的监测模型建立单元：用于根据银行卡疑似不良帐户、高风险国家/地区交易、高风险商户消费和大学生群体消费建立特别关注监测模型。

14.根据权利要求8所述的***，其特征是，所述的银行卡风险监测装置还包括：监测模型改进单元，用于根据所述银行卡风险监测结果数据的准确率对所述的银行卡风险监测模型进行改进。

15.一种基于Web的银行卡风险监测***，其特征是，所述的***包括：银行卡基础数据生成装置、银行卡风险监测装置、风险监测Web服务装置和用户终端；其中，

所述的银行卡基础数据生成装置包括：银行卡帐户数据单元，用于生成银行卡交易数据和属性数据；实时传送单元，实时传送银行卡交易数据；批量传送单元，用于周期传送银行卡属性数据；

所述的银行卡风险监测装置包括：银行卡数据采集单元，用于实时采集银行卡交易数据，并且周期采集银行卡属性数据；监测模型建立单元，用于建立和/或存储银行卡风险监测模型；银行卡风险监测单元，用于根据所述的银行卡风险监测模型对所述的银行卡交易数据及相关的银行卡属性数据进行监测，生成银行卡风险监测结果数据；

所述的风险监测Web服务装置包括：Web服务请求接收单元，用于接收Web银行卡风险监测服务请求；Web监测结果显示单元，用于根据所述的Web银行卡风险监测服务请求，将对应的银行卡风险监测结果数据以Web的形式进行显示；

所述的用户终端包括：输入单元，用于输入用户指令；显示单元，用于显示Web界面。

Images