來源：2024年度城市金融服務優秀案例征集活動

獲獎單位：齊商銀行

榮獲獎項：風險管理創新優秀案例

一、項目背景及目標

1、需求分析

近年來，隨著收單業務市場的快速增長，信用卡欺詐行為，尤其是套現與非真實交易，成為銀行業面臨的主要風險之一。這些行為不僅損害了銀行的資金安全，還破壞了金融市場的公平與穩定，降低了消費者信任度。據行業統計，信用卡欺詐案件中，套現與非真實交易占比高達30%以上，且呈現出手段多樣化、隱蔽性強的特點。因此，開發一套高效、智能的反欺詐系統，成為銀行業亟需解決的關鍵問題。

2、項目立項背景

齊商銀行作為省內領先的金融機構，針對收單業務擁有龐大的用戶群體和復雜的交易場景。隨著業務量的增加，傳統的基于規則的反欺詐手段已難以滿足日益增長的欺詐檢測需求，存在誤報率高、漏報率低等問題。為了保障銀行資產安全，提升客戶體驗，齊商銀行決定啟動信用卡反套現反非真實交易智能監控模型構建項目。

3、項目目標

①構建智能監控模型：利用大數據和機器學習技術，實現對收單交易的實時監控和異常識別。

②提升風險防控能力：準確識別并攔截套現與非真實交易，降低欺詐損失。

③優化客戶體驗：減少誤報，避免對正常交易用戶的干擾，提升客戶滿意度。

④促進業務健康發展：通過有效防控欺詐風險，增強客戶信任，推動業務持續增長。

二、項目/策略方案

1、需求調研與方案設計：深入調研市場現狀，分析欺詐行為特征，設計項目實施方案。

2、數據收集與預處理：整合信用卡交易數據、用戶行為數據、外部數據源等，進行清洗、標準化處理。

3、特征工程與模型選擇：提取關鍵特征，構建特征庫，利用邏輯回歸算法進行模型訓練。

4、模型開發與測試：開發智能監控模型，進行交叉驗證、調優，確保模型性能。

5、模型迭代及優化：根據實時數據，綜合評估模型運行情況，并通過數據迭代，完成模型優化。

6、系統集成與部署：將模型集成至銀行交易監控系統，完成系統測試與部署。

三、創新點

1、智能特征提取與業務深度融合

在模型構建過程中，不僅依賴于數據科學的先進算法，還緊密結合了齊商銀行銀行內部收單業務的實際需求。通過深入挖掘行內原有數據，如用戶信用歷史、消費習慣、交易模式等，創新性地提取了一系列能夠準確反映異常交易行為的特征。這些特征不僅包含了交易金額、時間等基本信息，還融入了用戶行為模式、交易頻率、歷史風險記錄等多維度信息，從而實現了對異常交易的精準識別。

2、行內數據整合與智能模型的無縫對接

項目充分利用了內部豐富的數據資源，通過整合不同業務線條的數據，如信貸、儲蓄、理財等，構建了一個全面、多維度的數據視圖。在此基礎上，智能監控模型能夠更準確地理解用戶行為，識別潛在風險。這種行內數據與智能模型的無縫對接，不僅提升了模型的預測準確率，還增強了模型對業務變化的適應性，使得模型能夠更貼合行內業務需求。

四、項目過程管理

1、需求調研與方案設計階段（1個月）：完成市場調研、需求分析、方案設計。

2、數據收集與預處理階段（2個月）：數據收集、清洗、標準化處理。

3、特征工程與模型訓練階段（1個月）：特征提取、模型選擇與訓練。

4、模型開發與測試（1個月）：開發智能監控模型，進行交叉驗證、調優，確保模型性能。

5、模型迭代及優化（2個月）：根據實時數據，綜合評估模型運行情況，并通過數據迭代，完成模型優化。

6、系統集成與部署（1個月）：將模型集成至銀行交易監控系統，完成系統測試與部署。

五、運營情況

項目自上線以來，通過收單平臺推送全量交易數據，每月對數據進行分析，篩選可疑交易客戶。通過模型篩選及手工核實，比對商戶周期內交易數據,篩選疑似套現客戶，導入系統，進行商戶評級，并針對商戶等級進行手續費補貼限制、信用卡限額等限制措施。

六、項目成效

風控體系自2024年4月上線以來，共限制疑似套現商戶4924戶，疑似套現交易7.5萬筆,金額4.8億元,累計節省手續費補貼145萬元。

七、經驗總結

1、數據是核心：高質量的數據是模型成功的關鍵。在項目初期，應投入足夠資源進行數據收集與預處理，確保數據的準確性、完整性和時效性。

2、特征工程是關鍵：特征的選擇與提取直接影響模型的性能。應結合業務邏輯，深入挖掘能夠反映異常交易行為的特征。

3、模型迭代與優化：模型上線后，應持續監控其性能，根據用戶反饋和業務發展，不斷優化模型，提高準確率。

4、團隊協作與溝通：項目涉及多個部門，應加強團隊協作與溝通，確保項目順利推進。

5、推廣經驗

內部培訓：通過內部培訓，提升員工對模型的理解和使用能力，確保模型的有效應用。

用戶反饋機制：建立用戶反饋機制，及時收集用戶意見，為模型的持續優化提供數據支持。

更多金融科技案例和金融數據智能優秀解決方案，請在數字金融創新知識服務平臺-金科創新社案例庫、選型庫查看。