在线交易盗卡率评估方法及装置与流程

本申请涉及网络在线交易技术，特别涉及一种在线交易盗卡率评估方法及装置。

背景技术：

传统在线交易平台通过盗卡率反应平台的欺诈情况及风控效果，其计算逻辑为“盗卡率＝当月银行通知在线交易平台的盗卡交易金额/当月平台在线交易金额”。

盗卡交易金额需要先由持卡人举报，然后由银行通知在线交易平台。从交易到持卡人举报，再到银行通知在线交易平台，整个周期有可能持续3个月，不利于在线交易平台准确了解最新的欺诈趋势及风控效果。

上述周期过长带来的弊端在大规模营销活动(例如双十一等促销活动)时体现的尤为明显。营销活动期间，线交易平台的销售额往往大幅增加，在盗卡水平不变的条件下，使得获得的后几个月的盗卡交易金额也会大幅增加，导致营销活动当月的盗卡率很低，而随后几个月的盗卡率很高。事实上，营销活动随后几个月的销售额不会大幅增长，因此，盗卡率这一指标无法反应真实的欺诈水平。

技术实现要素：

本申请的一实施例提供一种在线交易盗卡率评估方法，以预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势，该在线交易盗卡率评估方法包括：

采集一设定历史时段的盗卡数据及其对应的交易数据；

根据所述盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线；

根据所述关系曲线计算单位统计时间内的盗卡率。

本申请的一实施例提供一种在线交易盗卡率评估装置，以预估近期真实的盗卡水 平，评估在线交易平台的总体盗卡趋势，该交易盗卡率评估装置包括：

数据采集单元，用于采集一设定历史时段的盗卡数据及其对应的交易数据；

曲线生成单元，用于根据所述盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线；

盗卡率计算单元，用于根据所述关系曲线计算单位统计时间内的盗卡率。

由以上本申请实施例提供的技术方案可见，利用本申请的在线交易盗卡率评估方法及装置，能够根据银行返回的盗卡数据，预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例的在线交易盗卡率评估方法流程图；

图2为本申请一实施例的关系曲线生成方法流程图；

图3为本申请一实施例的盗卡率计算方法流程图；

图4为本申请另一实施例的关系曲线生成方法流程图；

图5为本申请另一实施例的盗卡率计算方法流程图；

图6为本申请实施例的在线交易盗卡率评估装置的结构示意图；

图7为本申请实施例的曲线生成单元602的结构示意图；

图8为本申请实施例的盗卡率计算单元603的结构示意图；

图9为本申请实施例中盗卡率的具体评估方法流程图；

图10为本申请实施例的盗卡通知接收率与时间的关系曲线示意图；

图11为通过本申请的在线交易盗卡率评估方法与通过现有的盗卡率计算方法得到的盗卡率的对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例提供一种在线交易盗卡率评估方法，以预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势。如图1所示，该在线交易盗卡率评估方法包括：

S101：采集一设定历史时段的盗卡数据及其对应的交易数据；

S102：根据所述盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线；

S103：根据所述关系曲线计算单位统计时间内的盗卡率。

由图1所示的流程可知，不同于现有技术中利用银行通知在线交易平台的盗卡交易金额计算盗卡率的方法，本发明根据一设定历史时段的盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线，然后利用该关系曲线计算单位统计时间内的盗卡率，能够预估近期真实的盗卡水平。

本发明的执行主体可以为移动终端或者服务器，该移动终端或者服务器可以采集在线交易平台的盗卡数据及其对应的交易数据，盗卡数据可以由银行向在线交易平台提供。

上述盗卡数据可包括：某银行卡被盗后，在线交易平台收到银行针对该银行卡的盗卡通知的时间及该银行卡被盗时正在交易的交易代码。根据该交易代码可以获取对应的交易数据，该交易数据包括交易日、金额等信息。

上述盗卡通知接收率是指：在某段时间内，某一时间点之前收到的盗卡通知的交易的笔数与该段时间内实际发生盗卡交易的笔数的比值。

在一实施例中，设定历史时段的结束时间点在当前交易日之前，并且结束时间点之后的第一个单位统计时间内，盗卡通知接收率大于一设定值。例如，该设定值为99％，即在该单位统计时间内，99％盗卡事件已由银行通知在线交易平台。这样，可以使得在该设定历史时段，几乎所有的盗卡事件已由银行通知在线交易平台，保证盗卡数据的可用性。

在一实施例中，为了使上述设定历史时段的盗卡数据具有统计意义，上述设定历 史时段至少包括一个单位统计时间。在一较佳实施例中，设定历史时段有整数个单位统计时间组成。

在一实施例中，单位统计时间为一周、一个自然月或一个季度。

在一实施例中，如图2所示，根据所述盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线，包括：

S201：根据所述盗卡数据及其对应的交易数据计算发生盗卡的各交易自交易日起至收到银行盗卡通知的时长；

根据每张被盗卡片的盗卡数据对应的交易数据，可以获得各个被盗卡片的交易日，结合银行收到各个被盗卡片的盗卡通知日期，可以计算得到上述时长。

S202：根据各所述时长绘制盗卡通知接收率与时间的关系曲线。

根据发生盗卡的各交易自交易日起至收到银行盗卡通知的时长，可以在上述设定历史时段内绘制盗卡通知接收率与时间的关系曲线，该关系曲线中，随着时间(一般以天为单位)的变化，盗卡通知接收率逐渐增大。

S202中，绘制上述关系曲线的方法有很多，为了提升效率，在一实施例中，可以利用hive分布式，根据发生盗卡的各交易自交易日起至收到银行盗卡通知的时长绘制盗卡通知接收率与时间的关系曲线。

上述关系曲线为计算单位时间内的盗卡率的普适曲线，根据该关系曲线，可以计算近期多个单位时间内的盗卡率。

在一实施例中，如图3所示，根据所述关系曲线计算单位统计时间内的盗卡率，包括：

S301：在所述关系曲线上查找单位统计时间中每天的盗卡通知接收率；

单位统计时间中的每一天对应的盗卡通知接收率都可以在关系曲线上直接得到。

S302：根据所述单位统计时间中每天的通知盗卡金额及每天的盗卡通知接收率计算每天的预估盗卡金额；

盗卡数据中记录了每天的通知盗卡金额，利用每天的通知盗卡金额除以对应该天的盗卡通知接收率，可以得到每天的预估盗卡金额。

S303：根据每天的预估盗卡金额统计所述单位统计时间中的盗卡金额；

单位统计时间中的盗卡金额为单位统计时间中每天的预估盗卡金额之和。

S304：根据所述单位统计时间中的交易金额及盗卡金额计算所述单位统计时间内 的盗卡率。

单位统计时间中的交易金额可以从在线交易平台直接获得，单位统计时间中的盗卡金额除以该单位统计时间中的交易金额，就可以得到该单位统计时间内的盗卡率。

图2及图3所示的盗卡率计算方法中适用于持卡人在同一地区的情况。对于持卡人在不同地区的情况，由于不同地区银行发出盗卡通知的周期不一样，按照图2及图3所示的盗卡率计算方法存在一定的不准确性。基于此，为了进一步提高盗卡率评估的准确性，本申请实施例还提供了一种较佳的方法，如图4及图5所示。图4为本申请另一实施例的关系曲线生成方法流程图，图5为本申请另一实施例的盗卡率计算方法流程图。

如图4所示，该关系曲线生成方法包括：

S401：根据不同地区的盗卡数据及其对应的交易数据分别计算不同地区中发生盗卡的各交易自交易日起至收到银行盗卡通知的时长；

对于不同地区，分别根据对应地区的盗卡数据及其对应的交易数据计算对应地区中发生盗卡的各交易自交易日起至收到银行盗卡通知的时长，不同地区计算得到的时长之间相互独立，可以分别存储在本地。

S402：根据不同地区的各所述时长绘制分别绘制不同地区的盗卡通知接收率与时间的关系曲线。

根据S401中得到的各个地区的时长，分别单独绘制对应地区的盗卡通知接收率与时间的关系曲线。S402中，绘制各地区的关系曲线的方法有很多，为了提升效率，在一实施例中，可以利用hive分布式，根据不同地区发生盗卡的各交易自交易日起至收到银行盗卡通知的时长分别绘制对应地区的盗卡通知接收率与时间的关系曲线。

如图5所示，该盗卡率计算方法包括：

S501：在不同地区的关系曲线上分别查找所述单位统计时间中每天的盗卡通知接收率；

对于同一地区，单位统计时间中的每一天对应的盗卡通知接收率都可以在关系曲线上直接得到。

S502：根据不同地区的单位统计时间中每天的通知盗卡金额及每天的盗卡通知接收率分别计算不同地区的单位统计时间中每天的预估盗卡金额；

对于同一地区，盗卡数据中记录了每天的通知盗卡金额，利用每天的通知盗卡金 额除以对应该天的盗卡通知接收率，可以得到每天的预估盗卡金额。

S503：分别统计不同地区的单位统计时间中的盗卡金额，得到单位统计时间中的总盗卡金额；

单位统计时间中的盗卡金额为单位统计时间中每天的预估盗卡金额之和。

S504：根据所述单位统计时间中的交易金额及总盗卡金额计算所述单位统计时间内的盗卡率。

单位统计时间中的交易金额可以从在线交易平台直接获得，同一地区的单位统计时间中的盗卡金额除以该地区的单位统计时间中的交易金额，就可以得到该地区单位统计时间内的盗卡率。

通过上述本申请实施例的方法，能够根据银行返回的盗卡数据，预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势。

基于与图1所示的在线交易盗卡率评估方法相同的发明构思，本申请实施例还提供了一种在线交易盗卡率评估装置，如下面实施例所述。由于该在线交易盗卡率评估装置解决问题的原理与在线交易盗卡率评估方法相似，因此该在线交易盗卡率评估装置的实施可以参见在线交易盗卡率评估方法的实施，重复之处不再赘述。

图6为本申请实施例的在线交易盗卡率评估装置的结构示意图。如图6所示，本申请实施例的在线交易盗卡率评估装置包括：数据采集单元601，曲线生成单元602及盗卡率计算单元603。

数据采集单元601用于采集一设定历史时段的盗卡数据及其对应的交易数据；数据采集单元601是在线交易盗卡率评估装置中采集盗卡数据及交易数据的部分，可以是软件、硬件或二者的结合，例如可以是完成数据采集功能的输入输出接口、处理芯片等元器件。

曲线生成单元602用于根据所述盗卡数据及其对应的交易数据生成盗卡通知接收率与时间的关系曲线；曲线生成单元602是在线交易盗卡率评估装置中生成关系曲线的部分，可以是软件、硬件或二者的结合，例如可以是完成关系曲线生成功能的输入输出接口、处理芯片等元器件。

盗卡率计算单元603用于根据所述关系曲线计算单位统计时间内的盗卡率。盗卡率计算单元603是在线交易盗卡率评估装置中计算盗卡率的部分，可以是软件、硬件或二者的结合，例如可以是完成盗卡率计算功能的输入输出接口、处理芯片等元器件。

在一实施例中，如图7所示，曲线生成单元602包括：时长计算模块701及曲线绘制模块702。

时长计算模块701用于根据所述盗卡数据及其对应的交易数据计算发生盗卡的各交易自交易日起至收到银行盗卡通知的时长；

曲线绘制模块702用于根据各所述时长绘制盗卡通知接收率与时间的关系曲线。

一实施例中，曲线绘制模块702具体用于：利用hive分布式，根据各所述时长绘制盗卡通知接收率与时间的关系曲线。

在一实施例中，如图8所示，盗卡率计算单元603包括：曲线查找模块801，预估金额计算模块802，盗卡金额统计模块803及盗卡率计算模块804。

曲线查找模块801用于在所述关系曲线上查找所述单位统计时间中每天的盗卡通知接收率；

预估金额计算模块802用于根据所述单位统计时间中每天的通知盗卡金额及每天的盗卡通知接收率计算每天的预估盗卡金额；

盗卡金额统计模块803用于根据每天的预估盗卡金额统计所述单位统计时间中的盗卡金额；

盗卡率计算模块804用于根据所述单位统计时间中的交易金额及盗卡金额计算所述单位统计时间内的盗卡率。

对于持卡人在不同地区的情况，由于不同地区银行发出盗卡通知的周期不一样，为了进一步提高盗卡率评估的准确性。图7所示的曲线生成单元602的各模块分别具体用于：

时长计算模块701用于根据不同地区的盗卡数据及其对应的交易数据分别计算不同地区中发生盗卡的各交易自交易日起至收到银行盗卡通知的时长；

曲线绘制模块702用于根据不同地区的各所述时长绘制分别绘制不同地区的盗卡通知接收率与时间的关系曲线。

进一步地，图8所示的盗卡率计算单元603中的各个模块分别具体用于：

曲线查找模块801用于在不同地区的关系曲线上分别查找所述单位统计时间中每天的盗卡通知接收率；

预估金额计算模块802根据不同地区的单位统计时间中每天的通知盗卡金额及每天的盗卡通知接收率分别计算不同地区的单位统计时间中每天的预估盗卡金额；

盗卡金额统计模块803用于分别统计不同地区的单位统计时间中的盗卡金额，得到单位统计时间中的总盗卡金额；

盗卡率计算模块804用于根据所述单位统计时间中的交易金额及总盗卡金额计算所述单位统计时间内的盗卡率。

通过上述本申请实施例的装置，能够根据银行返回的盗卡数据，预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势。

图9为本申请实施例中盗卡率的具体评估方法流程图。本实施例中假设所有持卡人在同一地区。例如在同一城市，或者同一国家。另外，本实施例中，单位统计时间为自然月，并非用于限定。

S901：采集在线交易平台设定历史时段内的盗卡数据及其对应的交易数据，设定历史时段由n个自然月组成。

S901中n个自然月的选取还应满足如下条件：

a)该设定历史时段之后的第一自然月内，银行已通知在线交易平台的盗卡交易笔数占该自然月内的总盗卡交易笔数的99％以上。

b)n≥1，并且n个自然月内的交易规模、盗卡数据规模有统计意义，能够作为后续数据分析的基础。

S902：根据盗卡数据及其对应的交易数据统计被盗卡片从发生交易至在线交易平台收到银行所发出的盗卡通知的时间分布。

该时间分布为一统计值，其中包括了所有被盗卡片从发生交易至在线交易平台收到银行所发出的盗卡通知的时长。

S903：统计上述设定历史时段内收到银行盗卡通知的周期。

收到银行盗卡通知的周期通过盗卡通知接收率与时间的关系曲线体现，该关系曲线可以利用上述时长进行绘制。具体实施时，可以利用hive分布式绘制该关系曲线。图10为本申请实施例的盗卡通知接收率与时间的关系曲线示意图，如图10所示，收到银行发出的所有被盗卡片的盗卡通知的周期约为121，此时盗卡通知接收率为100％。另外，从图10可以看出交易发生后的26天内，银行发出的盗卡通知已占了其总盗卡交易的50％。

S904：预估自然月中每一天的盗卡金额。

设W_i表示第i天内平台收到银行盗卡通知占比预估(即盗卡通知接收率)，D_i 表示第i天前的交易中，累积当天在线交易平台已经收到的银行发出的盗卡通知金额。那么D_i/W_i为预估第i天前的实际盗卡金额。

如图10所示的关系曲线中，交易发生后的26天内，银行发出的盗卡通知已占了其总盗卡交易的50％，则有W₂₆＝50％。举一例，对于距当前日期26天前的交易，平台累积收到银行发出的50美金盗卡通知(即D_i＝50)，按之前预估，26天内银行发出的通知占比W_i＝50％，预估26天前总体盗卡金额为D_i/W_i＝100。

S905：计算自然月中的总盗卡金额。

将S904中自然月中每一天的盗卡金额进行叠加，就得到自然月中的总盗卡金额＝∑_i(D_i/W_i)。

S906：计算自然月的盗卡率a。

自然月的盗卡率a为当月的总盗卡金额与当月交易金额b的比值，即：

通过上述公式，可以得到每个自然月的盗卡率，从而可以评估在线交易平台的盗卡交易的走势。

图11为通过本申请的在线交易盗卡率评估方法与通过现有的盗卡率计算方法得到的盗卡率的对比示意图。图11中，实线为通过现有的盗卡率计算方法得到的盗卡率曲线，虚线为通过本申请的在线交易盗卡率评估方法得到的盗卡率的走势曲线，可以看出通过现有的盗卡率计算方法得到的盗卡率的走势曲线比实际盗卡率偏低，通过本申请的在线交易盗卡率评估方法得到的盗卡率的走势更能体现真实的盗卡率。

图9所示的流程描述了所有持卡人在同一地区的情况，对于持卡人不在同一地区的情况，由于持卡人所在地域不同，银行返回盗卡通知的周期不一样。可以按持卡人地域分层统计银行盗卡通知返回的周期，从而更好的预估平台的盗卡水平及趋势。

例如，平台有美国和巴西的交易，需要分别根据美国和巴西两个地区不同盗卡数据及其交易数据得到盗卡通知接收率与时间的关系曲线。然后根据两个地区对应的关系曲线分别统计美国、巴西第i天内，银行返回的盗卡金额占比(盗卡通知接收率)US_W_i、BR_W_i，还需要获取在线交易平台已经收到第i天前美国、巴西分别返回的盗卡金额US_D_i、BR_D_i，从而可以得到在线交易平台第i天的累积盗卡金额预估为：US_D_i/US_W_i+BR_D_i/BR_W_i。根据累积盗卡金额可以得到自然月的累计盗卡金额 ∑_i(US_D_i/US_W_i+BR_D_i/BR_W_i)，进而根据当月交易金额b计算得到自然月的盗卡率

通过上述本申请，能够根据银行返回的盗卡数据，预估近期真实的盗卡水平，评估在线交易平台的总体盗卡趋势。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以 下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式 计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。