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MySQL数据库运维与开发实践中,经常出现一种典型现象:数据库实际存储的数据量很小,数据表条数少、文件体积低,但服务器整体 ...
2026-09-11 很多数据分析师能熟练计算均值、标准差,但当被问到“总体和样本有什么区别”“参数和统计量有什么关系”“数据级别的高低如 ...
2026-09-11CDA数据分析师 出品 作者:李诗怡 定义: 将同一时间段内因具备相同属性或共同经历的用户划分为群体,分析其留存与生命周期价值 ...
2026-09-11在零售、商超、餐饮、线下门店等实体商业运营中,客流与销售额是衡量门店经营状态的两大核心指标。销售额是门店经营的最终结果, ...
2026-09-10在数据可视化体系中,柱形图是最基础、应用最广泛的图表类型,其中**累计柱形图(堆积柱状图)**是兼顾整体总量与内部结构的核心 ...
2026-09-10 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-09-10在Python Pandas数据分析中,DataFrame是承载结构化数据的核心载体,数据清洗、数据修正、条件赋值、字段更新等实操场景,都离不 ...
2026-09-09 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-09-09卡方检验(Chi-Square Test)是统计学中针对分类数据的经典显著性检验方法,核心用于判断两个离散分类变量是否相互独立、数据实 ...
2026-09-09CDA数据分析师 出品 作者:李诗怡 1. 销售漏斗阶段判断 题目:销售漏斗模型中,通过广告、社交媒体等方式触达品牌信息(如浏览品 ...
2026-09-07在Python数据分析中,Pandas库的DataFrame是最核心、最常用的结构化数据表对象,类似于Excel的二维表格,具备规整的行列结构、字 ...
2026-09-07在数据分析、经营复盘、业绩预测与经济统计工作中,平均增速(平均增长率)是衡量数据长期变化趋势、业务发展快慢的核心指标。不 ...
2026-09-07 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-09-07随着大数据技术的快速发展,商业竞争逐步从传统的经验式经营转变为数据驱动的精细化运营。海量的用户行为数据、交易数据、运营数 ...
2026-09-04CDA数据分析师 出品 作者:李诗怡 1. 波士顿矩阵(BCG Matrix) 定义: BCG于1970年提出的业务组合分析工具,以"市场增长率"(纵 ...
2026-09-04 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-09-04数据透视表是Excel与Power BI中最核心的数据分析工具,具备快速汇总、维度拆分、动态筛选的能力,可高效完成数据归类与统计展示 ...
2026-09-03在Power BI数据分析可视化场景中,堆积柱状图+折线图是最常用的复合图表组合。堆积柱状图适合展示各细分维度当期数值、结构占比 ...
2026-09-03 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-09-03CDA数据分析师 出品 作者:李诗怡 一、8个核心数据清洗函数 1. TRIM:一键清除多余空格(最常用) 作用:仅保留文本中"单词/字 ...
2026-09-02