商戶的動態管控方法、裝置、服務器及可讀存儲介質制造方法及圖紙

本說明書實施例公開了一種商戶的動態管控方法，將目標商戶的商戶評價數據輸入到評分卡模型中，得到商戶可信評分；對目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集并將其輸入到預測模型中，得到商戶價值評分，融合商戶可信評分和商戶價值評分，得到最終價值評分；根據最終價值評分和識別出的目標商戶對應的風險標識，從風險管控策略中選取與目標商戶對應的目標風控策略，使用目標風控策略對目標商戶進行風控管理。

Dynamic control methods, devices, servers and readable storage media of merchants

【技術實現步驟摘要】
商戶的動態管控方法、裝置、服務器及可讀存儲介質
本說明書實施例涉及數據處理
，尤其涉及一種商戶的動態管控方法、裝置、服務器及可讀存儲介質。
技術介紹
隨著電子商務的飛速發展，給人帶來越多越多的方便，但是，商戶風險也變得越來越多，導致商戶風險也變得多種多樣，如存在欺詐，投資理財，套現，作弊等風險，為了識別出上述商戶風險，會采用風險識別策略進行識別，以對不同風險類型商戶進行管控。風控策略的選取很大程度上影響管控效果的好壞，亟需一種新的方法，來提高風控策略選取的準確性。
技術實現思路
本說明書實施例提供了一種商戶的動態管控方法、裝置、服務器及可讀存儲介質，能夠有效提高選取的目標風控策略的準確性。本說明書實施例第一方面提供了一種商戶的動態管控方法，包括：將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，其中，所述商戶評價數據包括所述目標商戶的經營數據和交易分析數據；對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，其中，所述基礎交易數據包括所述目標商戶的交易時序數據、商戶描述數據和交易關聯數據，所述目標特征數據集與有監督的預測模型對應；將所述目標特征數據集輸入到所述預測模型中，得到所述目標商戶的商戶價值評分；采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分；根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，使用所述目標風控策略對所述目標商戶進行風控管理。本說明書實施例第二方面提供了一種商戶的動態管控裝置，包括：可信評分獲取單元，用于將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，其中，所述商戶評價數據包括所述目標商戶的經營數據和交易分析數據；特征數據集獲取單元，用于對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，其中，所述基礎交易數據包括所述目標商戶的交易時序數據、商戶描述數據和交易關聯數據，所述目標特征數據集與有監督的預測模型對應；商戶價值評分獲取單元，用于將所述目標特征數據集輸入到所述預測模型中，得到所述目標商戶的商戶價值評分；最終價值評分獲取單元，用于采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分；風控單元，用于根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，使用所述目標風控策略對所述目標商戶進行風控管理。本說明書實施例第三方面還提供了一種服務器，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述商戶的動態管控方法的步驟。本說明書實施例第四方面還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時上述商戶的動態管控方法的步驟。本說明書實施例的有益效果如下：基于上述技術方案，由于通過所述融合方法將所述商戶可信評分和所述商戶價值評分進行融合，由于所述融合方法會使用正則化方法來抑制過擬合，使得獲得的所述最終價值評分能夠更準確，在所述最終價值評分準確的基礎上，使得根據所述最終價值評分選取的所述目標風控策略的準確性也隨之提高。附圖說明圖1為本說明書實施例中商戶的動態管控方法的方法流程圖；圖2為本說明書實施例中商戶的動態管控裝置的結構示意圖；圖3為本說明書實施例中服務器的結構示意圖。具體實施方式為了更好的理解上述技術方案，下面通過附圖以及具體實施例對本說明書實施例的技術方案做詳細的說明，應當理解本說明書實施例以及實施例中的具體特征是對本說明書實施例技術方案的詳細的說明，而不是對本說明書技術方案的限定，在不沖突的情況下，本說明書實施例以及實施例中的技術特征可以相互組合。第一方面，如圖1所示，本說明書實施例提供一種商戶的動態管控方法，包括：步驟S102、將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，其中，所述商戶評價數據包括所述目標商戶的經營數據和交易分析數據；步驟S104、對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，其中，所述基礎交易數據包括所述目標商戶的交易時序數據、商戶描述數據和交易關聯數據，所述目標特征數據集與有監督的預測模型對應；步驟S106、將所述目標特征數據集輸入到所述預測模型中，得到所述目標商戶的商戶價值評分；S108、采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分；步驟S110、根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，使用所述目標風控策略對所述目標商戶進行風控管理。其中，在步驟S102中，可以首先獲取所述目標商戶的經營數據和交易分析數據，再根據所述經營數據和所述交易分析數據，組成所述商戶評價數據，此時，所述商戶評價數據包括所述經營數據和所述交易分析數據；再將所述商戶評價數據輸入到所述評分卡模型中進行計算，得到所述商戶可信評分。本說明書實施例中，所述經營數據包括在第一設定時間內的開店時長和在第二設定時間內的交易筆數和交易筆數變換比率等數據；進一步地，所述交易分析數據包括買家大額復購比相對于線下正常買家占比，商戶單點聚集交易占比，商戶白天相對于夜間交易占比，商戶異常交易金額占比，商戶賬戶資金金額的留存率，以及商戶交易周期性分布等。具體來講，所述第一設定時間和所述第二設定時間均可以根據實際情況進行設定，可以由設備或人工進行設定，所述第一設定時間可以是最近7天、16天和30天等時間，所述第二設定時間可以是最近1周和最近一個月等時間，本說明書不作具體限制。具體地，所述開店時長可以包括最長開店時長、最短開店時長和平均開店時長。當然，所述商戶評價數據還可以包括買家掃碼方式分布數據、商戶類別碼分布數據、商戶交易賭徒占比和商戶交易買家使用支付寶賬戶占比等數據中的一種或多種，本說明書不作具體限制。例如，以目標商戶為玩具商戶a1為例，獲取a1在近7天/15天/21天/30天開店時長中的最大開店時長為10小時(h)、最小開店時長6h和標準偏差值(std)，a1在最近1個月內交易筆數變化比率，并獲取a1對應的買家大額復購比相對于線下正常買家占比為22％，商戶單點聚集交易占比為1.5％，商戶白天相對于夜間交易占比為3.2，商戶異常交易金額占比為1.2％，a1賬戶資金金額的留存率15％，以及商戶交易周期性分布數據，買家掃碼方式分布數據、商戶類別碼分布數據、商戶交易賭徒占比，以及商戶交易買家使用支付寶賬戶占比，此時，根據上述獲取的所有數據，組成a1的商戶評價數據。本說明書實施例中，可以將所述商戶評價數據中部分本文檔來自技高網...

【技術保護點】
1.一種商戶的動態管控方法，包括：/n將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，其中，所述商戶評價數據包括所述目標商戶的經營數據和交易分析數據；/n對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，其中，所述基礎交易數據包括所述目標商戶的交易時序數據、商戶描述數據和交易關聯數據，所述目標特征數據集與有監督的預測模型對應；/n將所述目標特征數據集輸入到所述預測模型中，得到所述目標商戶的商戶價值評分；/n采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分；/n根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，使用所述目標風控策略對所述目標商戶進行風控管理。/n

【技術特征摘要】
1.一種商戶的動態管控方法，包括：
將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，其中，所述商戶評價數據包括所述目標商戶的經營數據和交易分析數據；
對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，其中，所述基礎交易數據包括所述目標商戶的交易時序數據、商戶描述數據和交易關聯數據，所述目標特征數據集與有監督的預測模型對應；
將所述目標特征數據集輸入到所述預測模型中，得到所述目標商戶的商戶價值評分；
采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分；
根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，使用所述目標風控策略對所述目標商戶進行風控管理。


2.如權利要求1所述的方法，所述評分卡模型獲取步驟，包括：
獲取樣本集中的每個樣本的商戶評價數據，其中，所述樣本集中包括多個黑樣本和多個白樣本；
使用無監督分箱方法對所述樣本集中的所有樣本的商戶評價數據進行分箱，得到M個分箱，M為不小于2的整數；
使用有監督分箱方法對所述M個分箱中的每個分箱再次進行分箱，得到N個分箱，并計算出所述N個分箱中的每個分箱的證據權重，其中，N為不小于M的整數；
利用所述N個分箱和所述N個分箱中的每個分箱的證據權重對所述樣本集中的所有樣本的商戶評價數據進行模型訓練，訓練出所述評分卡模型。


3.如權利要求2所述的方法，所述將目標商戶的商戶評價數據輸入到評分卡模型中，得到所述目標商戶的商戶可信評分，包括：
獲取所述目標商戶的經營數據和交易分析數據，并根據所述經營數據和所述交易分析數據，組成所述商戶評價數據；
將所述商戶評價數據輸入到所述評分卡模型中進行計算，得到所述商戶可信評分。


4.如權利要求1-3任一項所述的方法，所述對所述目標商戶的基礎交易數據進行特征工程，得到符合特征篩選條件的目標特征數據集，包括：
對所述基礎交易數據進行特征構建，構建出P個構建特征，其中，所述P個構建特征包括基礎交易特征、時序特征組合特征和離散特征，且P為不小于4的整數；
根據所述特征篩選條件，從所述P個構建特征中篩選出L個構建特征，并將所述L個構建特征對應的所有或部分特征數據作為所述目標特征數據集，其中，L為不大于P的正整數。


5.如權利要求4所述的方法，所述根據所述特征篩選條件，從所述P個構建特征中篩選出L個構建特征，包括：
根據所述預測模型對所述P個構建特征進行特征排序；
根據特征排序從所述P個構建特征中選取特征重要性靠前的L個特征作為所述L個構建特征。


6.如權利要求3所述的方法，所述采用融合方法融合所述商戶可信評分和所述商戶價值評分，得到符合評分選取條件的最終價值評分，包括:
采用所述融合方法融合所述商戶可信評分和所述商戶價值評分，得到K個融合價值評分，其中，K為不小于1的整數；
根據所述評分選取條件，從所述K個融合價值評分和所述商戶價值評分中選取一個價值評分作為最終價值評分。


7.如權利要求6所述的方法，所述根據所述評分選取條件，從所述K個融合價值評分和所述商戶價值評分中選取一個價值評分作為最終價值評分，包括：
將所述K個融合價值評分與所述商戶價值評分進行比較；
若比較出某個融合價值評分大于所述商戶價值評分，則將比較出的大于所述商戶價值評分的融合價值評分作為所述最終價值評分；
若比較出未存在任何一個融合價值評分大于所述商戶價值評分，則將所述商戶價值評分作為所述最終價值評分。


8.如權利要求3所述的方法，所述根據所述最終價值評分和識別出的所述目標商戶對應的風險標識，從風險管控策略中選取與所述目標商戶對應的目標風控策略，包括：
根據所述風險標識，從所述風險管控策略中確定出所述目標商戶的原始風控策略；
以及從預設分段中確定所述最終價值評分對應的目標分段；
若所述風險管控策略中包含有多種處罰方式，根據所述目標分段，調整所述原始風...

【專利技術屬性】
技術研發人員：逄銘雪，
申請(專利權)人：阿里巴巴集團控股有限公司，
類型：發明
國別省市：開曼群島;KY