京公网安备 11010802034615号
经营许可证编号:京B2-20210330
建行大数据风控筑网络欺诈防护墙
随着互联网业务的快速发展,金融科技创新为我们的生活带来了诸多便利,电子银行交易、网络购物支付不断普及。然而随着网络诈骗呈日渐高发态势,种类繁多,诈骗团伙分工明确,形成一条龙的产业链诈骗模式。不法分子大肆运用钓鱼网站、伪基站、木马植入等诈骗手段,通过积分兑换、淘宝退款、微信二维码、QQ?红包等工具,精心编造各种骗局,引诱客户上当受骗。伴随信息泄露的常态化和诈骗手法的日新月异,在线支付等网络欺诈风险已成为当前风险高发地。
在严峻的外部欺诈形势下,建行通过大数据智能化风控模型,打造“防、控、补”一体的电子银行全流程反欺诈体系,从事前、事中和事后主动加强网络金融风险管理,有效控制了外部欺诈风险,为网络金融用户的资金安全保驾护航。
事前防范——客户安全教育与反钓鱼成效显着
2011年开始,建行即利用网站、微博等平台进行客户安全教育宣传,增强客户对欺诈行为的识别能力。2015年,为塑造专业专注的服务形象,专门打造了建行反欺诈卫士卡通形象“蓝e卫士”,并在微信、微博、网站等互联网渠道,以“蓝e卫士”为主题对信息泄露、伪基站等当前典型高发的风险进行多轮次宣传教育,从如何识别钓鱼网站、保护好自己的个人信息和密码信息等角度进行专题宣传。同时在行内定期进行风险提示和预警,通过网点和短信等渠道开展客户安全教育和警示。通过一系列安全宣传活动,有效提升客户风险防范意识和技能。
针对不法分子通过钓鱼网站,窃取受害人输入的个人敏感信息,进而假冒受害者进行欺诈性金融交易获得经济利益的欺诈手段。2011年开始建行组建专门的反钓鱼队伍,开启24小时不间断的钓鱼网站主动搜索排查机制,不断分析钓鱼网页规律,做到查防结合,积极应对多样化、域名种类复杂化的钓鱼形势。2016年,建行自主创新开发的 “反钓鱼监测系统和方法”获得国家知识产权局授予发明专利,通过提升钓鱼网站监测系统的智能化水平,加大对高危、重点钓鱼网站侦测频率,钓鱼网站处理数量和效率不断提升。此外,建行与中国互联网应急管理中心、公安机关、腾讯、360安全中心等外部机构建立数据共享机制,鼓励行内行外积极举报钓鱼网站,并及时报送相关部门进行关停,努力为用户提供安全的网络支付环境。
事中监控——建立大数据智能风控
2011年11月,建行在国内率先建立网络金融反欺诈平台,依托全行统一、跨渠道的网络金融反欺诈系统,实现网上银行、手机银行、网上支付等电子渠道交易的7*24小时全面风险监控,对高风险交易实时阻断后进行人工分析、外呼核实、加黑名单等处理。一方面通过研究典型欺诈案例特征,并结合客户历史交易行为习惯,部署相应的控制策略和措施,并动态调整;另一方面通过位置服务、终端识别等新技术应用,持续优化提高监控策略的有效性,将高命中率的监控模型应用系统智能化自动防控。
通过充分利用现代化的信息技术和大数据分析,依托基于用户行为分析的风险引擎,实时快速分析网络金融渠道客户交易行为细节,建立电子化、流程化、规范化的管理方式,对海量的数据进行比对、甄选,主动识别异常行为,采集异常行为数据,进行实时分析判断,挖掘欺诈团伙作案特征和规律,根据风险形势变化,实时动态部署智能化监控策略,扩大风控覆盖范围和拦截半径,实现精准识别高风险网络金融交易,有效保障客户资金安全。
事后补偿——维护客户权益
通过借鉴国外先进银行经验,建行研究建立了网络金融风险快速追赔机制。对于客户遵守网络金融客户服务协议,已尽到一定安全和保管义务,但由于其被第三方非法入侵、盗用等原因导致直接经济损失的,采取积极应对措施,帮助客户挽回损失。与此同时,建行积极推进联防联控生态圈建设,加强与第三方商户联动,通过资源互换及风险形势共享,共同实现行业上下游风险联防。
2016年,为进一步丰富与商户风控合作的模式和内容,拓展商户合作新领域,丰富防控维度,建行创新研发第三方合作支付商户风险评级模型,采取针对性的一户一策差异化合作策略,依据商户风险评级模型的结果,结合商户自身风控完善程度及防控能力,对商户划分不同的合作等级,制定分类的合作方案,并将先进经验在合作商户之间交流,共享风险信息、联防联控。此外,总行、分行、网点共同参与打造建行、合作商户、公安机关等单位在内的联防联控合作机制,力求构建一个以银行为核心的应对互联网欺诈犯罪的防护生态圈。
建行集事前防范、事中监控、事后补偿三位一体的全面网络金融反欺诈风险管理体系,在保障客户资金安全方面的创新做法取得的良好成效,是建行服务民生、履行企业社会责任的有益实践,受到客户、媒体和社会各方面的广泛关注。建行将在人民银行、公安部门等大力支持下,主动与金融同业合作,积极加强企业级反欺诈防控能力建设,持续提升应对网络欺诈风险的能力,为保障客户权益,营造良好的金融生态发挥更大的作用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19