[发明专利]一种基于双目标投影的金融交易数据异常因素筛选方法

说明书

本发明公开了一种基于双目标投影的金融交易数据异常因素筛选方法,包括以下步骤：S1.给定影响金融交易数据质量的多个因素，并选定其中一个因素，获取该因素下不同的对象信息，将待筛选的金融交易数据划分到每一个对象下；S2.计算每一个对象下的交易失败率和失败贡献度；S3.建立投影坐标系；S4.根据各个对象的交易失败率和失败贡献度，筛选出不在正常对象边界条件内的一个或多个异常对象；S5.对于筛选得到的任一异常对象，筛选出该异常对象下的异常因素；S6.对于步骤S4得到的每一个异常对象，重复步骤S5，筛选出每一个异常对象下的异常因素。本发明能够通过对海量数据的处理，得到金融交易过程中的异常对象以及异常对象下的异常因素，从而有助于发现交易失败的问题和原因。

技术领域

本发明涉及金融交易数据的筛选，特别是涉及一种基于双目标投影的金融交易数据异常因素筛选方法。

背景技术

就当今社会而言，移动支付已成主流，怎样提交交易成功率增强用户体验是各支付企业及相关商户和银行机构需要关注的问题。支付是一个长链路交易活动，参与方众多，包括：持卡人或者支付用户、商户、收单机构、发卡机构、网联或者银联等相关机构，引起交易失败的因素可能是单个因素，但更多的是多因素组合或者叠加，很多失败因素不能简单通过一个点来判断。另外，目前交易的成功率都非常高，一般整体交易成功率在99％左右，面对海量的支付交易数据，怎样查找和发现交易失败的问题和原因是非常困难的一件事情。

支付失败交易数据具有比较明显的几个特征：一、海量数据；二、数据倾斜非常严重(失败交易占比非常少)；三、小机构或者商户(包括某类业务)数据极其容易被淹没，例如：某机构有较高的交易成功率98％，但某类新业务由于某些原因失败率却很高，几乎全部失败，要从整体来看很难发现这类小业务量交易。

因此，在对海量金融交易数据进行分析时，对金融交易数据的异常因素筛选，对于海量交易数据的分析具有着重要的意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于双目标投影的金融交易数据异常因素筛选方法，能够通过对海量数据的处理，得到金融交易过程中的异常对象以及异常对象下的异常因素，从而有助于发现交易失败的问题和原因。

本发明的目的是通过以下技术方案来实现的：一种基于双目标投影的金融交易数据异常因素筛选方法，包括以下步骤：

S1.给定影响金融交易数据质量的多个因素，并选定其中一个因素，获取该因素下不同的对象信息，将待筛选的金融交易数据划分到每一个对象下；

S2.计算每一个对象下的交易失败率和失败贡献度；

S3.建立投影坐标系，纵坐标为交易失败率，横坐标为失败贡献度，并在设定正常对象的边界条件和正常因素的边界条件；

S4.根据各个对象的交易失败率和失败贡献度，将每一个对象投影到坐标系中，并结合正常对象的边界条件，筛选出不在正常对象边界条件内的一个或多个异常对象；

S5.对于筛选得到的任一异常对象，除选定因素外剩余的因素作为此对象的所有因素；计算该异常对象每一个因素的交易失败率和失败贡献度,根据各因素的交易失败率和失败贡献度，将异常对象的每一个因素投影到坐标系中，并结合正常因素的边界条件，筛选出该异常对象下的异常因素；

S6.对于步骤S4得到的每一个异常对象，重复执行步骤S5，筛选出每一个异常对象下的异常因素。

优选地，所述步骤S1中给定的因素分为卡、通信路线、操作和终端四个方面，其中：

卡方面的因素包括：卡BIN、卡性质和卡介质；

通信路线方面的因素包括：受理机构标识码、发卡机构标识码、发送机构标识码和接收机构标识码；

操作方面的因素包括：交易代码、服务点输入方式和服务点条件代码；