一、项目背景

1.形势与要求

当前，电信网络诈骗、AI换脸等新型犯罪加速向产业化、跨域化演进，传统基于交易流水的风控手段快速失效。近半年区域内涉诈案件数量突增，作案手法迭代周期压缩至月级，银行作为资金流转核心，承担“最后一道闸门”的拦截责任。同时，《反电信网络诈骗法》进一步明确银行在尽调、监测与拦截中的法律义务。对农商行而言，构筑智能化反欺诈体系，既是合规底线，也是守护区域金融安全、履行社会责任的战略选择。

2.传统风控的短板

传统反欺诈体系以涉案交易流水及少量行为特征为基础构建规则模型，存在三大短板：

（1）数据维度单一：仅关注交易结果，未还原“交易前行为”全链路，难以捕捉限额查询、银联异常签约等关键欺诈前兆信号。

（2）模型迭代滞后：黑产借助AI工具手法快速迭代，而传统模式从案例到模型升级需耗时数月，风控策略始终落后于犯罪变化。

（3）误拦截率高：缺乏行为上下文支撑，造成大量误杀，既损害客户体验和银行声誉，又浪费风控资源，导致高价值策略难以在业务端有效落地。

3.项目目标

本项目以多源异构行为数据为驱动，构建“交易+行为”全景风控底座，实现由“事后追溯”向“事前预警、事中拦截”的主动防控转型，具体分三层目标：

看得全：汇聚手机银行等十余渠道操作行为，构建客户全景行为视图，还原交易前中后完整链路。

看得准：融合交易、日志、埋点等异构数据，建立统一行为特征体系，支撑精准研判与快速证据回溯。

反应快：建立“案例—特征—指标—模型”闭环机制，将新型欺诈手法识别周期压缩至周级，实现次笔拦截。

二、项目方案

1.总体思路与架构

本项目旨在打造一个可持续进化的反欺诈行为智能底座。不同于传统数据仓库的“被动存储”定位，本项目从设计之初即面向风控决策场景，将分散在各业务系统的异构行为数据转化为可计算、可推理、可回溯的标准化风控要素。

项目整体架构自下而上分为三层，各层职责明确、逻辑清晰：

感知层（数据采集）：覆盖手机银行、柜面、银联、网联、数币、ATM、小程序、核心、信贷、征信等十余个渠道，解决“数据在哪里、如何拿到、如何保证质量”的源头问题；

认知层（智能加工）：依托大数据平台、AI大模型、风控中台实时计算引擎，完成多源异构数据清洗、关联、会话切分、特征提取，形成统一行为数据模型和实时风险行为特征，解决“零散数据如何变成智能要素”的核心命题；

决策层（场景赋能）：面向案件研判、风控建模等场景提供实时、可靠、可解释的行为链路复现和行为特征解析服务，解决“数据如何产生业务价值”的最后一公里问题。

图 1 客户行为库系统总体架构图

图注：项目总体架构自下而上分为感知层（数据采集）、认知层（智能加工）、决策层（场景赋能），配套数据治理与安全保障体系贯穿全层级。核心创新在于认知层构建的“统一行为数据模型”，将多源异构数据转化为标准化风控要素。

2.多源异构数据采集

针对不同渠道系统的建设现状与技术特点，项目设计了三类互补采集方式，以实现“应采尽采、不留死角”：

（1）行为记录表采集：对已具备完善行为记录表的系统（如核心、数币、信贷等），直接复用其行为流水表，改造成本低、数据质量高，构成行为库的基础数据源。

（2）日志智能清洗：对无现成行为记录的渠道（如网联等），构建AI异构日志解析智能体，按照“日志过滤—结构化解析—标准化落表”路径挖掘行为数据，是最具技术挑战性与数据价值增量的环节。

（3）埋点数据补充：对已部署埋点系统的渠道（如手机银行、小程序等），同步接入页面访问、按钮点击等细粒度交互数据，丰富行为分析的用户意图信号。

表 1 项目一期覆盖渠道与数据采集方式

此外，采集范围不仅覆盖存贷款、账务等常规交易，还重点纳入登录、查询、三方签约等非交易行为，以及失败的交易。这些传统业务中被忽视的“边缘化数据”，恰是识别新型欺诈的关键线索，例如短期连续输错密码、非活跃时段异常登录等高风险信号。

3.数据清洗与标准化建模

数据清洗质量是决定项目效果的基石，本项目创新性地在认知层构建统一行为数据模型（UBDM），将原始、零散、异构的行为数据转化为统一、高价值密度的风控要素。

图 2 多渠道异构行为数据系统交互流程图

图注：渠道原始数据经“数据过滤—结构化解析—标准化落表—主体关联—清洗汇总—会话拆分”六步加工，最终输出为统一行为数据模型（UBDM），并提供实时行为特征服务。

具体加工流程包含三个关键环节：

（1）多维主体识别：基于客户号、设备标识、证件号、IP等多维度归集分散行为，实现“同一客户跨渠道碎片化行为”的完整拼接，解决主体统一难题。

（2）智能数据清洗：在常规过滤、去重、修正、口径统一基础上，引入AI智能体进行日志解析，应对格式差异、关键字缺失、时间不统一等工程问题，保障建模数据质量。

（3）双重会话拆分：结合时间间隔阈值与会话标识符，将连续行为序列切分为独立操作会话。以电信诈骗为例，“接听电话→登录手机银行→签约共享屏幕→修改限额→转账”等零散动作经拆分重构为完整高危链路，成为新型诈骗识别的关键模式。

最终，所有行为按UBDM统一结构输出，形成“一个客户、跨渠道、全链路”的行为全景视图，标准化字段覆盖行为类型、渠道、时间、状态、交易、会话等核心维度，为上层模型提供高效的数据服务。

（4）行为链路与特征

本项目通过统一行为追踪标识与会话拆分机制的深度融合，实现会话级行为链路还原，将跨渠道、跨时段的客户操作串联为可回放的有序序列，为风控人员提供“行为回放系统”。

该系统不仅展示交易结果，更还原交易前、中、后的完整行为路径，具备洞察时序链条的能力。相比传统单点特征思维，该链路分析聚焦动作组合是否符合作案模式，提升异常识别准确性。

图3 客户行为链路追踪系统界面

同时，项目已完成与风控中台的无缝对接，支持将行为数据实时输送至中台，完成流式行为指标计算，为风控模型提供高质量输入。

图4 基于客户行为的反欺诈模型部分拦截记录

系统提炼的常用实时行为特征例如：

表 2 常用的行为特征类型

三、创新点

本项目结合农村金融机构资源禀赋与业务实际，在数据治理、技术架构及业务机制三个层面形成系统性创新：

1.“交易+行为”双维驱动的全景风控数据底座

突破传统反欺诈风控仅依赖交易结果的局限，将数据延伸至手机银行等十余个渠道的操作行为，覆盖登录、签约及失败信息，大幅提升风控数据维度与密度。通过统一行为数据模型（UBDM）与双重会话拆分机制，将跨渠道碎片化行为还原为可回放的行为链路，使风控人员不仅看到“发生了什么”，更理解“为何发生、如何发生”。

2.“AI+规则”双模驱动的异构日志解析技术

针对各渠道日志格式不一、标准迥异的困境，构建AI日志解析机制。AI智能体通过语义理解自动生成解析规则，实现“日志过滤—结构化解析—标准化落表”的智能加工流程；对AI无法解析的日志，由规则兜底，共同保障解析质量。该方案将新场景日志接入周期由“月级”压缩至“天级”。

3.“人机协同”的可解释风控处置模式

在提升模型精度的同时，注重风控决策的可解释性。通过行为链路可视化界面，风控人员可直观审视案发前后完整操作路径，理解模型判定逻辑。“模型识别+人工确认”的协同模式有效破解“黑盒”痛点，降低误拦截率，提升审核效率。完整链路留痕同时为涉诈案件证据追溯与监管报送提供有力支撑。

四、技术实现特点及优势

1.高扩展基础架构

构建“感知—认知—决策”三层松耦合架构，职责清晰、独立演进。感知层以三种互补采集方式适配多类渠道，实现业务系统“零成本、非侵入”接入；认知层统一数据标准化与特征计算，屏蔽底层异构性；决策层面向场景提供标准化服务。新数据或新场景可在不改造整体架构的前提下，快速低成本落地。

2.智能化异构数据采集

在常规交易、埋点、设备指纹采集基础上，创新引入AI大模型构建日志解析智能体，高效适配不同系统与场景的异构日志，自动生成解析规则，实现全场景行为数据非侵入、快速、高质量接入，确保底层数据完整与精准。

3.实时+批量混合计算

基于风控中台实时引擎与大数据离线批处理框架，构建“实时+离线”双轨混合计算体系。离线链路支持复杂数据加工与历史回溯，用于辅助策略调优与案件研判；实时链路实现秒级行为特征计算，支撑事中拦截。统一数据源保障双轨性能与深度并存。

五、项目过程管理

需求分析阶段：2026.01.14-2026.03.20

设计阶段：2026.03.20-2026.04.08

开发阶段：2026.04.08-2026.06.09

测试阶段：2026.06.09-2026.6.19

一阶段上线：2026.06.23

二阶段上线：2026.08.17

六、运营情况

截至2026年8月，项目一期完成上线，核心运行指标如下：

七、项目成效

表 3 项目关键业务成效指标

1.反欺诈能力显著提升：依托行为数据驱动模型持续迭代，针对新型犯罪手法实现累计拦截金额超50万，正常交易干扰率低于十万分之一，能够对各类新型欺诈行为做到“次笔识别、及时阻断”。

2.社会效益显著：积极践行《反电信网络诈骗法》相关要求，切实守好群众“钱袋子”，有效增强区域金融安全防线，为地方经济稳定运行提供有力支撑。

3.投入产出比优异：项目总投入约70万元，全面复用已有基础设施，实现零新增采购，以较低成本构建了高效风控体系，为中小金融机构提供了可复制、可推广的科技实践样板。

八、经验总结与推广价值

1.核心经验总结

本项目实践沉淀出五条关键经验：

（1）意识先行，挖掘数据价值。突破传统思维，将行为数据从运维辅助升级为风控战略资产。登录异常、限额调整、人脸识别告警等边缘数据，是识别新型欺诈的关键信号。立足中小银行实际，坚持数据意识先行+特色场景深耕，探索精准高效反欺诈路径。

（2）技术务实，聚焦业务实效。不盲目追逐新技术，以解决业务痛点为根本。通过融合AI智能体+规则解析日志，复用现有风控中台能力，结合本行特色定制数据标准。实践证明，切实可用的技术策略更具可持续性。

（3）体验与风控平衡，推进精准识别。告别传统宁可错杀的高误伤模式，引入行为上下文，在风控效果不降的前提下大幅降低误拦截率。实现安全与体验的更优平衡，推动风控从粗放拦截走向精准识别。

2.推广价值

本案例的核心路径——“多源行为汇聚 + 低成本数据采集 + 场景化敏捷迭代”——无需重型硬件或高额预算投入，充分适配数据基础相对薄弱、科技能力受限的中小农村金融机构实际条件，具备较强的普适性与可操作性，可在农信系统内快速复用与规模化推广。