基于数据挖掘的商户风险评分技巧和系统-软件技术.docVIP

基于数据挖掘的商户风险评分方法和系统-软件技术 基于数据挖掘的商户风险评分方法和系统 孙权 赵金涛 （中国银联股份有限公司　上海　201201） （电子商务与电子支付国家工程实验室　上海　201201） 摘 要 本文提供了一种商户风险评分系统和方法，可根据商户的历史交易行为有效地对商户欺诈风险进行风险评分。针对发生过一类欺诈交易的商户进行特征行为分析，提取风险指标变量；对风险指标变量进行相关性分析，剔除相关性高的冗余变量；之后根据分析结果定义正常商户与高风险商户规则；按规则重新提取高风险商户及正常商户样本；接着采用决策树模型进行训练，通过训练好的决策树模型计算所有样本变量的输出，作为一个新的风险指标变量；随后，对新的样本数据采用逻辑回归算法训练模型。使用上述的方法针对各类欺诈交易商户分别进行训练建模。最后将商户样本数据分别输入各个模型，进行加权平均，得到商户的风险评分结果。 关键词 商户风险，欺诈，数据挖掘，模型 中图分类号 TP3　文献标识码 A 0 引言 中国的银行卡支付近年来发展迅速，根据中国人民银行发布的《2014年支付体系运行总体情况》[1]，截至2014年末，全国累计发行银行卡49.36亿张，人均持有银行卡3.64张，其中人均持有信用卡0.34张，北京、上海信用卡人均拥有量仍远高于全国平均水平，分别达到1.70张和1.33张，全年银行卡渗透率达到47.70%，也就是说，老百姓每100元交易，有47.7元是通过银行卡进行的，银行卡已经日益成为主要的消费方式。 与此同时，银行卡受理网络方面，联网商户1 203.4万户，联网POS机具1 593.5万台，ATM 61.49万台，较上年末分别增加439.93万户、530.29万台和9.49万台。全国共发生银行卡交易595.73亿笔，同比增长25.16%；金额449.90万亿元，同比增长6.27%。在互联网以及电子商务等线上业务蓬勃发展的同时，线下商户的数量和交易金额仍然保持了高速增长的趋势。 根据尼尔森报告，近年来，由于一些新的风险防范技术和模型的发展，以及IC卡的推广使用，银行卡欺诈损失率整体呈现下降趋势，其中境内的下降趋势更为明显。2014年全球信用卡欺诈率为2.92BP（单位：Basic Point，1BP为万分之一），其中我国银联信用卡欺诈率为0.12BP。全球及中国信用卡欺诈率整体情况如图1所示。 1 商户风险 作为银行卡受理的入口，商户端的风险防范是降低银行卡欺诈率的关键。常见的欺诈商户包括以下几类： 1) 恶意倒闭商户：不法商户在收单机构开设了看似合法经营的商户账户，受理银行卡。当收到大笔清算款项后商户立即关门，故意破产，负责人也马上销声匿迹，使收单机构承担此后的退单损失。 2) 套现商户[2]：套现商户是指与不良持卡人或其他第三方勾结，或商户自身进行虚假交易套取现金的行为的商户。 3) 洗单商户：洗单是指与收单机构签署了有效商户协议的商户，将其它未签约商户的交易在本商户的POS机或压印机上刷卡或压卡，假冒本店交易与收单机构清算。通过这种方式，可能将欺诈或非法交易合法化，并顺利收到交易款项。委托洗单的多为出于某些原因不能或不愿意签署受理协议的商户，如高风险的电话营销商、邮购商户等，也有可能是专门受理伪卡、进行伪冒交易的非法商户等。 4) 伪冒交易合谋商户：某些商户因利益所趋，与不法分子合谋，在商户集中使用伪卡或失窃、被盗卡，或购买易变现商品，或享受相关服务，最终发卡机构承担该类损失，收单机构也可能因为欺诈交易比率或退单比率超标而承担退单损失，或承担违规处罚。 5) 卡号测试：为测试遗失卡、盗窃卡、伪造卡、通过CreditMaster等卡号生成软件生成的卡号或其它非法获取的卡号的有效性，不法分子使用该类卡在商户进行小额授权申请，如果交易获得批准，就用来进行其它金额更大的欺诈交易。 2 传统商户风险评分方法 商户风险评分是利用设定的评分模型，对商户的风险状况进行评级，发现风险和不良商户并及时提示业务人员采取相应的风险防范措施，从而减少未来可能出现的商户欺诈行为给持卡人及银行带来的损失。 传统的商户风险评分方法，主要是基于规则的评分方法，依靠内部和外部专家的经验，建立一个公式或者一套规则，采用评分卡、决策树[3]等方法进行商户风险评分，来评价商户风险。一个典型的决策树如图2所示。 传统的商户风险评分方法，优点是可在较短时间建立规则，在一定程度上可满足商户风险评分工作的需求，但是存在以下缺点：