風險管理框架下的特約商戶細分研究

李強 中國建設銀行股份有限公司重慶總審計室

一、引言

特約商戶作為銀行卡業(yè)務運行的一個組成部分，既是信用卡使用和持卡人實現(xiàn)信用卡消費功能的重要場所，又是增加銀行信用卡業(yè)務的收入的重要支撐點。然而，隨著信用卡業(yè)務的快速發(fā)展，特約商戶數(shù)量的激增給商業(yè)銀行的特約商戶監(jiān)管帶來了很大的挑戰(zhàn)。商業(yè)銀行一般設置了特約商戶管理員，然而由于網(wǎng)點工作壓力大、人手緊張等原因，按月對特約商戶進行實地檢查的工作往往流于形式①，存在著較多的管理風險。為此，本文嘗試采用決策樹的組合算法—隨機森林算法，通過對交易數(shù)據(jù)的分析和動態(tài)跟蹤，從商業(yè)銀行管理的需要出發(fā)對特約商戶進行細分，對特約商戶區(qū)分對待，對風險低、信譽高的特約商戶可以采取抽檢或不定期檢查，從而將監(jiān)管重點放在存在較大風險的特約商戶身上，將會更好地提高管理效率、減少管理風險。

二、特約商戶細分模型的構建

（一）特約商戶風險的特征選擇

為了從管理角度構建特約商戶細分決策支持模型，區(qū)分出存在風險的特約商戶，需要對特約商戶進行特征選擇，即從交易數(shù)據(jù)中提取能反映特約商戶風險的特征，然后根據(jù)這些特征建模，通過小樣本數(shù)據(jù)的學習，構建決策模型，通過決策模型判定其它客戶的風險特質(zhì)，并把具有風險特征的客戶名單作為分類管理的基礎?；陂L期對信用卡風險特征跟蹤總結出風險特約商戶的主要特征如下：

（1）所有交易中信用卡交易占比較高；

（2）同一張信用卡多次在同一商戶大額交易；

（3）單張信用卡多筆分單交易避開發(fā)卡行控制；

（4）商戶員工在本單位機具上大額透支交易；

（5）巡檢異常。

而以上特征中前 4 項都與交易數(shù)據(jù)有關，最后一項是管理員例行巡檢時發(fā)現(xiàn)的特約商戶違規(guī)問題。為了能夠從交易數(shù)據(jù)中提取特約商戶風險的特征，最終選擇了 10 個指標作為識別特約商戶風險和細分特約商戶的主要特征變量，這些特征及說明見表1。

表1 特約商戶風險識別的主要特征

（二）特約商戶細分模型

基于特約商戶的風險特征，本文構建了基于隨機森林學習算法的特約商戶的細分流程模型，詳見圖1。

圖1 特約商戶細分模型

在這個模型中，之所以選擇隨機森林學習算法，不僅因為該算法具有良好的分類特性，而且因為該算法在分類后能給出每一個特征的重要性，這可以為特約商戶管理提供重要的參考。該模型的工作過程如下：首先利用特約商戶的交易數(shù)據(jù)，經(jīng)過匯總統(tǒng)計處理后，生成每個特約商戶的特征指標，然后利用處理過的小樣本數(shù)據(jù)②，采用隨機森林算法學習，構建隨機森林決策樹，形成分類器，然后利用構建的隨機森林決策樹對需要區(qū)分的特約商戶進行細分。

（三）實驗及評價

1.數(shù)據(jù)介紹

從某銀行特約商戶中隨機選擇了 900 戶，然后對這些商戶的交易數(shù)據(jù)進行了采集，剔除24個異常數(shù)據(jù)后③，剩余 876 戶數(shù)據(jù)，其中，正常商戶780戶，風險商戶96 戶④。同時，為了對模型進行訓練和測試，本研究將以上數(shù)據(jù)劃分為訓練集和測試集。其中訓練集包含735 戶商戶，測試集包含141戶商戶。

2.實驗結果

為了了解隨機森林算法中樹的數(shù)量對分類正確率的影響,分別選擇樹的數(shù)量為10、30、50、100、150、200、250、300、350、400、450 和500，執(zhí)行隨機森林分類算法構建分類器并驗證其在測試集上的正確率，結果見圖2。

圖2 樹數(shù)量對隨機森林算法正確率的影響

實驗結果顯示，隨著樹數(shù)量的增加，隨機森林算法分類的正確率最終將穩(wěn)定在一定水平上。實驗數(shù)據(jù)的對比顯示，較少的訓練數(shù)據(jù)在樹數(shù)量較少時，分類正確率表現(xiàn)出了不穩(wěn)定性，而較多的訓練數(shù)據(jù)得到的分類器相對穩(wěn)定，基本上隨著樹數(shù)量的增加，分類的正確率在增加，最終會穩(wěn)定在0.9014上。

3.特約商戶的特征重要性

隨機森林算法的一個優(yōu)點是，它在訓練完后能夠給出哪些特征比較重要。表2是特約商戶消費數(shù)據(jù)訓練后的10個特征重要性評價。

表2 特征重要性評價

對于特約商戶來說，最重要的3個特征則是“回頭客單客交易金額”、“單筆交易金額”和“單卡交易金額”，與實際情況相符。值得一提的是，在實際工作中，信用卡客戶比例大的特約商戶其風險較高，也就是說這一特征對判斷特約商戶的風險性有較大的作用。然而在實驗中，該特征在10個特征的重要性排名是第5名，也只是居于中間水平。原因可能在于獲得的交易數(shù)據(jù)中，有一些卡種類無法判斷是否信用卡，尤其是“他行卡”，這可能對模型結果產(chǎn)生了重要的影響。

三、小結

商業(yè)銀行受制于財務成本、管理成本等的限制，靠增加特約商戶管理員的數(shù)量的方式來實現(xiàn)監(jiān)管顯然是不可能的、也是不可取的。因此，本文嘗試采用數(shù)據(jù)挖掘等先進的技術手段，構建特約商戶細分決策模型。該細分模型以10 個特征為基礎，利用特約商戶的消費交易數(shù)據(jù)，采用隨機森林算法實現(xiàn)特約商戶的分類。實驗結果證明，在隨機森林算法的樹數(shù)量與分類預測正確率的關系實驗中，發(fā)現(xiàn)隨著決策樹數(shù)量的逐漸增大時，模型的預測準確率在增加，在樹數(shù)量超過一定規(guī)模后，準確率趨于一個穩(wěn)定的值。

基于以上，可實現(xiàn)對特約商戶進行有效的區(qū)分，對存在較大風險的商戶進行重點監(jiān)控和巡檢，而對于其它低風險的特約商戶則采用定期或不定期抽查的方式，將會大大降低商業(yè)銀行的管理成本和難度。

需要說明的是，不同類別商戶的風險特征可能存在較大的差異，本研究只是針對套現(xiàn)交易嚴重的一般類商戶，提出了 10 類風險特征，這些特征可能并不適合于其它類別的特約商戶。

注釋：

①有的管理員讓商戶到網(wǎng)點在檢查表上蓋章應付差事，甚至有的一蓋就是多個月，另外有的管理員（營銷員）和商戶之間存在著利益關系使得管理員不能真正履行起監(jiān)管的職責。

②包含了沒有風險的和發(fā)現(xiàn)風險的特約商戶。

③經(jīng)處理后發(fā)現(xiàn)有 24 個商戶的數(shù)據(jù)存在問題（不存在交易數(shù)據(jù)或交易數(shù)據(jù)存在異常）。

④風險商戶是指巡檢發(fā)現(xiàn)異常、銀聯(lián)通報、存在套現(xiàn)交易等情況、確定存在風險的商戶，本文基于重慶建行信用卡中心提供比對名單。