[發明專利]信用卡發卡風險識別方法及裝置

在審

• 申請號: 202110052927.X
• 申請日: 2021-01-15
• 公開（公告）號: CN112767123A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 侯海杰;舒朝虎;楊帆;高寶印
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N20/00
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;孫乳筍

1.一種信用卡發卡風險識別方法，其特征在于，所述的方法包括：

獲取目標用戶的外呼數據；所述外呼數據為根據預設的問題庫對目標用戶進行外呼問答獲取的數據；

根據所述的目標用戶的外呼數據和預先建立的發卡風險識別模型確定目標用戶的信用卡發卡風險數據；其中，所述的發卡風險識別模型為預先根據歷史外呼數據進行機器學習得到的；

根據所述信用卡發卡風險數據和預設的風險閾值生成信用卡發卡風險識別結果。

2.如權利要求1所述的信用卡發卡風險識別方法，其特征在于，所述的預設的問題庫的問題庫包括：身份信息，單位地址，單位名稱，單位電話，住宅地址，手機，聯系信息，婚姻狀況，學歷信息，已持卡客戶信息，申請渠道信息及辦卡目的信息。

3.如權利要求2所述的信用卡發卡風險識別方法，其特征在于，所述的獲取目標用戶的外呼數據之前包括：預先建立發卡風險識別模型；其包括：

獲取信用卡發卡核實后的外呼數據作為所述歷史外呼數據；

利用所述歷史外呼數據對建立的多元線性回歸模型進行機器學習確定所述發卡風險識別模型；其中，所述多元線性回歸模型的變量包括：組卷風險率、欺詐風險率及風險觸發率；

所述的組卷風險率為根據預設的組卷風險函數確定的外呼問答中的問題的組卷風險函數值；

所述的欺詐風險率為根據預設的欺詐風險函數確定的外呼問答中的問題的欺詐風險函數值；

所述的風險觸發率為根據預設的風險觸發函數確定的外呼問答中的問題的風險觸發函數值。

4.如權利要求3所述的信用卡發卡風險識別方法，其特征在于，所述的利用所述歷史外呼數據對建立的多元線性回歸模型進行機器學習確定所述發卡風險識別模型包括：

確定所述歷史外呼數據的組卷風險率、欺詐風險率及風險觸發率；

利用確定的歷史外呼數據的組卷風險率、欺詐風險率及風險觸發率對所述多元線性回歸模型進行機器學習訓練確定多元線性回歸模型的參數，以確定所述發卡風險識別模型。

5.如權利要求1所述的信用卡發卡風險識別方法，其特征在于，所述的根據所述信用卡發卡風險數據和預設的風險閾值生成信用卡發卡風險識別結果包括：

確定所述信用卡發卡風險數據小于預設的第一閾值，則確定目標用戶為低風險用戶予以發卡；

確定所述信用卡發卡風險數據大于預設的第一閾值且小于預設的第二閾值，則確定目標用戶為待人工核實用戶；

確定所述信用卡發卡風險數據大于預設的第二閾值，則確定目標用戶為高風險用戶拒絕發卡。

6.一種信用卡發卡風險識別裝置，其特征在于，所述的裝置包括：

數據獲取模塊，用于獲取目標用戶的外呼數據；所述外呼數據為根據預設的問題庫對目標用戶進行外呼問答獲取的數據；

風險數據確定模塊，根據所述的目標用戶的外呼數據和預先建立的發卡風險識別模型確定目標用戶的信用卡發卡風險數據；其中，所述的發卡風險識別模型為預先根據歷史外呼數據進行機器學習得到的；

識別模塊，用于根據所述信用卡發卡風險數據和預設的風險閾值生成信用卡發卡風險識別結果。

7.如權利要求6所述的信用卡發卡風險識別裝置，其特征在于，所述的裝置還包括：模型確定模塊，用于預先建立的發卡風險識別模型；其包括：

歷史數據獲取單元，用于獲取信用卡發卡核實后的外呼數據作為所述歷史外呼數據；

訓練單元，用于利用所述歷史外呼數據對建立的多元線性回歸模型進行機器學習確定所述發卡風險識別模型；其中，所述多元線性回歸模型的變量包括：組卷風險率、欺詐風險率及風險觸發率；

所述的組卷風險率為根據預設的組卷風險函數確定的外呼問答中的問題的組卷風險函數值；

所述的欺詐風險率為根據預設的欺詐風險函數確定的外呼問答中的問題的欺詐風險函數值；

所述的風險觸發率為根據預設的風險觸發函數確定的外呼問答中的問題的風險觸發函數值。