1703655244
•资金的使用情况。
1703655245
1703655246
1703655247
1703655248
对于信用卡产品，由于交易行为频繁且被完整地记录下来，可用的预测变量较多。但是对于其他个人消费贷款，金融机构通常只能看到客户的还款情况，对于客户的其他信息了解太少，这对行为风险模型的开发造成很大困难，故金融机构需引入第三方数据进行补充。相对有价值的数据包括央行征信数据、互联网交易数据和浏览数据、银联流水数据等。
1703655249
1703655250
行为风险模型用来衡量客户风险，在多种业务中使用行为评分作为客户的准入条件，排除高风险客户。此外，行为风险模型经常和其他模型如行为收益模型、市场响应模型、行为流失模型结合，制定客户的精益化管理策略。行为风险模型还可用来对高风险客户提前预警。对于行为评分很低的客户，风险较高，可结合客户的贷款余额或者额度，建立回访机制，了解客户的实际情况，并更新客户的联系方式，为逾期催收做准备，降低金融机构的损失。
1703655251
1703655253
二、交易欺诈模型
1703655254
1703655255
交易欺诈指对于信用卡产品，利用伪卡、盗卡、账户盗用等方式进行账户接管，盗取持卡人资金的行为。现在移动支付的兴起给不法分子带来可乘之机，他们通过钓鱼网站、无线Wi-Fi等渠道获取持卡人的账户和密码信息，进而盗取持卡人资金，对持卡人和金融机构造成损失。交易欺诈模型指根据客户的历史交易行为预测当笔交易为欺诈的可能性。
1703655256
1703655257
银行卡交易的欺诈占总交易的比例较低，但是呈现出多样性、复杂性的特点，对交易欺诈模型的开发带来很大的影响。因其稀疏性，从海量正常交易中找出欺诈交易犹如大海捞针，对模型的精确性要求非常高，通常利用神经网络的复杂性去模拟欺诈的行为特征。由于神经网络具有很强的自学习能力，可以适应欺诈手段日益丰富、复杂的特点，所以这种统计方法经常被用来开发交易欺诈模型。
1703655258
1703655259
交易欺诈的目标变量很容易定义，当笔交易为欺诈则为1，否则为0，但在实际情况中会面临一些问题。一般情况下，金融机构很难对每笔交易和客户都一一核实，通常只会标识金额较大有异常的交易，但当笔欺诈发生前的一段时间内的交易是否应标注为欺诈交易要视实际情况而定，这对目标变量的定义造成一定的影响。
1703655260
1703655261
交易欺诈模型的预测变量通常会比较多，模型的出发点就是通过客户欺诈以前的历史行为特征去对客户进行客户画像，而利用当笔发生的交易特征去和历史行为进行对比。如果当笔交易的行为特征和以前差异很大，那么欺诈的嫌疑比较大，比如预测变量有：
1703655262
1703655263
•当笔交易金额；
1703655264
1703655265
1703655266
1703655267
•当笔交易币种；
1703655268
1703655269
1703655270
1703655271
•当笔交易时间；
1703655272
1703655273
1703655274
1703655275
•当笔交易商户；
1703655276
1703655277
1703655278
1703655279
•当笔交易地点；
1703655280
1703655281
1703655282
1703655283
•过去N次交易的密码输错次数；
1703655284
1703655285
1703655286
1703655287
•过去N次交易的交易失败次数；
1703655288
1703655289
1703655290
1703655291
•过去N分钟内的交易次数；
1703655292
1703655293
[
上一页 ]
[ :1.703655244e+09 ]
[
下一页 ]