姚前，謝華美，景志剛，胡青青，司恩哲

中國(guó)人民銀行征信中心，北京 100031

基于數(shù)據(jù)挖掘的個(gè)人征信系統(tǒng)異常查詢實(shí)時(shí)監(jiān)測(cè)模型及其應(yīng)用

姚前，謝華美，景志剛，胡青青，司恩哲

中國(guó)人民銀行征信中心，北京 100031

選擇個(gè)人征信系統(tǒng)最新36個(gè)月9億條查詢記錄，根據(jù)用戶查詢行為的不同波動(dòng)特征進(jìn)行了模型細(xì)分，探討了4種異常查詢實(shí)時(shí)監(jiān)測(cè)模型。結(jié)果表明，基于數(shù)據(jù)挖掘的個(gè)人征信系統(tǒng)異常查詢實(shí)時(shí)監(jiān)測(cè)模型應(yīng)用于個(gè)人查詢量預(yù)測(cè)是可行的，且效果良好。該模型的成功上線和不斷修正，將對(duì)個(gè)人征信系統(tǒng)的違規(guī)查詢行為產(chǎn)生威懾作用，倒逼查詢機(jī)構(gòu)加強(qiáng)內(nèi)部管理，合法使用信用信息，以保障信息主體的權(quán)益，促進(jìn)征信市場(chǎng)健康發(fā)展。

數(shù)據(jù)挖掘；個(gè)人征信系統(tǒng)；異常查詢；違規(guī)查詢；實(shí)時(shí)監(jiān)測(cè)

1 引言

全國(guó)集中統(tǒng)一的個(gè)人征信系統(tǒng)共收集8.8億個(gè)自然人的信用信息，基本覆蓋全國(guó)每一個(gè)有信用活動(dòng)的信息主體，其中，個(gè)人貸款和信用卡賬戶信息21.5億筆，開(kāi)通查詢用戶15.9萬(wàn)個(gè)，對(duì)外提供29.2億份個(gè)人信用報(bào)告。作為金融系統(tǒng)重要基礎(chǔ)設(shè)施的個(gè)人征信系統(tǒng)，在提高商業(yè)銀行風(fēng)險(xiǎn)管理水平、提高審貸效率、拒絕高風(fēng)險(xiǎn)客戶、清收不良貸款等方面發(fā)揮重要作用。2013年3月15日《征信業(yè)管理?xiàng)l例》出臺(tái)并正式實(shí)施，是我國(guó)征信業(yè)發(fā)展史上的一個(gè)里程碑，不僅嚴(yán)格規(guī)范個(gè)人征信業(yè)務(wù)規(guī)則，還要求切實(shí)保護(hù)個(gè)人信用信息。該條例要求信息主體以外的單位或者個(gè)人向征信機(jī)構(gòu)查詢個(gè)人信用報(bào)告時(shí)，應(yīng)當(dāng)取得信息主體本人的書(shū)面同意并約定用途。信息使用者應(yīng)當(dāng)按照與信息主體約定的用途使用個(gè)人信息，不得用作約定以外的用途，不得未經(jīng)信息主體同意向第三方提供。但違規(guī)查詢個(gè)人信用報(bào)告的情況時(shí)有發(fā)生，為了更好地保護(hù)信息主體的權(quán)益，維護(hù)個(gè)人征信系統(tǒng)的客觀、公正和權(quán)威，急需通過(guò)數(shù)據(jù)挖掘技術(shù)，分析查詢行為，建立異常查詢實(shí)時(shí)監(jiān)測(cè)模型。

為了能更準(zhǔn)確地定位異常查詢行為，必須改變以業(yè)務(wù)經(jīng)驗(yàn)驅(qū)動(dòng)為核心的監(jiān)測(cè)模式，嘗試從數(shù)據(jù)出發(fā)，通過(guò)深入分析，挖掘出隱藏在大量正常數(shù)據(jù)中的異常查詢行為。

2 以業(yè)務(wù)經(jīng)驗(yàn)驅(qū)動(dòng)的異常查詢監(jiān)測(cè)

根據(jù)業(yè)務(wù)經(jīng)驗(yàn)，結(jié)合采集數(shù)據(jù)之間的邏輯關(guān)系，個(gè)人征信系統(tǒng)曾總結(jié)5條異常查詢監(jiān)測(cè)規(guī)則。

（1）查詢量波動(dòng)閾值

根據(jù)查詢網(wǎng)點(diǎn)統(tǒng)計(jì)最近3年的日均查詢量增長(zhǎng)率，預(yù)設(shè)來(lái)年日查詢量最大值，一旦超出閾值，視為異常。

（2）睡眠用戶異常查詢

在最近一年內(nèi)均未發(fā)生過(guò)查詢行為的用戶，一旦啟動(dòng)查詢操作，定義為睡眠用戶異常查詢。

（3）非工作時(shí)段異常查詢

在過(guò)去非工作時(shí)段曾經(jīng)發(fā)生查詢行為的用戶，若繼續(xù)在非工作時(shí)段查詢個(gè)人信用報(bào)告，視為異常。

（4）未授權(quán)異常查詢

在未取得信息主體授權(quán)的情況下，用戶以貸后管理為由查詢非本行老客戶的個(gè)人信用報(bào)告，定義為未授權(quán)異常查詢。

（5）跨地域異常查詢

商業(yè)銀行以“貸款審批”為由查詢個(gè)人信用報(bào)告，但用戶所屬機(jī)構(gòu)的清算代碼（金融機(jī)構(gòu)代碼第6、第7位）歸屬地與信息主體身份證號(hào)碼歸屬地不是同一個(gè)?。ㄗ灾螀^(qū)、直轄市），標(biāo)記為異常；中國(guó)人民銀行臨柜用戶以“本人查詢”、“異議查詢”為由查詢個(gè)人信用報(bào)告，但用戶所屬機(jī)構(gòu)的行政區(qū)劃代碼（機(jī)構(gòu)代碼第7、第8位）與信息主體身份證號(hào)碼歸屬地不是同一個(gè)?。ㄗ灾螀^(qū)、直轄市），標(biāo)記為異常。此規(guī)則暫不考慮所在地為北京、上海、天津和廣東等外來(lái)人口占比較大的區(qū)域內(nèi)的機(jī)構(gòu)。

通過(guò)以上5條監(jiān)測(cè)規(guī)則，每月可偵測(cè)到上千萬(wàn)條疑似異常查詢行為，并通過(guò)派出機(jī)構(gòu)進(jìn)一步核實(shí)，但反饋結(jié)果出乎意料，被核查的用戶均給出合理解釋，出現(xiàn)低檢測(cè)率和高誤報(bào)率的現(xiàn)象，使得監(jiān)測(cè)行為陷入被動(dòng)狀態(tài)。

經(jīng)過(guò)分析，其主要原因有以下兩個(gè)方面。一是征信環(huán)境不斷變化且各地發(fā)展不均衡，導(dǎo)致業(yè)務(wù)經(jīng)驗(yàn)與實(shí)際情況存在較大的時(shí)滯，未能準(zhǔn)確地反映目前的情況。例如：部分商業(yè)銀行以家庭為單位進(jìn)行綜合授信，放款前既要查詢貸款本人的個(gè)人信用報(bào)告，又要查詢貸款人家庭成員的個(gè)人信用報(bào)告，導(dǎo)致上文中提到未授權(quán)查詢規(guī)則不適合實(shí)際業(yè)務(wù)情況；而與此同時(shí)，隨著流動(dòng)人口比重不斷增加，跨地域查詢也是合情合理的需求。二是沒(méi)有深度數(shù)據(jù)分析支持的結(jié)論不具有說(shuō)服力，沒(méi)有針對(duì)性，難以被用戶接受。例如：以“一刀切”的方式預(yù)設(shè)一個(gè)查詢峰值，常常與實(shí)際查詢需求相沖突，使該條規(guī)則飽受詬病。

3 以數(shù)據(jù)挖掘驅(qū)動(dòng)的異常查詢實(shí)時(shí)監(jiān)測(cè)模型

根據(jù)數(shù)據(jù)挖掘算法，異常查詢實(shí)時(shí)監(jiān)測(cè)模型包含6個(gè)步驟：業(yè)務(wù)理解、質(zhì)量檢查、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)分析、模型建立、模型驗(yàn)證。

3.1 業(yè)務(wù)理解

通過(guò)業(yè)務(wù)調(diào)研、違規(guī)查詢樣本分析及數(shù)據(jù)探索后發(fā)現(xiàn)，大量違規(guī)行為伴隨查詢量突增。典型案例如下：2015年3月某銀行違規(guī)查詢了3.2萬(wàn)份個(gè)人信用報(bào)告。從該用戶的歷史查詢軌跡來(lái)看，原本平穩(wěn)的查詢頻率在事發(fā)月份出現(xiàn)了異常突增，足以引起高度關(guān)注。類似的情況在多個(gè)案例中反復(fù)出現(xiàn)。因此，本次數(shù)據(jù)挖掘的目標(biāo)定位為對(duì)用戶月查詢量進(jìn)行預(yù)測(cè)，通過(guò)比對(duì)預(yù)測(cè)查詢量與實(shí)際查詢量的差異，判別用戶的異常風(fēng)險(xiǎn)。

3.2 質(zhì)量檢查

檢查查詢記錄的各字段值是否符合業(yè)務(wù)邏輯，并清理臟數(shù)據(jù)，保證后續(xù)的數(shù)據(jù)分析得出可靠的結(jié)論。

3.3 數(shù)據(jù)準(zhǔn)備

本次數(shù)據(jù)挖掘的樣本選用個(gè)人征信系統(tǒng)最新36個(gè)月全部查詢記錄，樣本數(shù)為9.0億條。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，按月統(tǒng)計(jì)每個(gè)用戶的查詢總量，并形成查詢量矩陣R。

查詢量矩陣R共有m個(gè)月度觀察點(diǎn)，n個(gè)查詢用戶，其中，aij(1≤i≤n,1≤j≤m)表示第i個(gè)用戶在第j個(gè)月份的查詢量。

3.4 數(shù)據(jù)分析

月查詢量矩陣是一個(gè)稀疏矩陣，矩陣內(nèi)存在大量為0的值，表明只有少量用戶連續(xù)每個(gè)月都有查詢，而大量用戶的查詢是時(shí)斷時(shí)續(xù)的，因此有必要對(duì)查詢連續(xù)性進(jìn)行進(jìn)一步的分析。

（1）查詢休眠時(shí)長(zhǎng)分析

分析用戶最后一次查詢距離當(dāng)前日期的天數(shù)，定義為當(dāng)前休眠天數(shù)T，統(tǒng)計(jì)結(jié)果顯示：average(T)=197天，min(T)=0天，max(T)=973天。

表1 不同休眠天數(shù)用戶數(shù)占比

結(jié)合表1與圖1可以看出，50%和65%為突變點(diǎn)，T≤84天的用戶達(dá)到50%，T≤369天的用戶達(dá)65%。也就是說(shuō)，最近3個(gè)月內(nèi)，50%的用戶至少發(fā)生過(guò)一次查詢；最近12個(gè)月內(nèi)，65%的用戶至少發(fā)生過(guò)一次查詢。

（2）休眠重啟行為分析

用戶休眠后又重新查詢的行為特征是什么呢？以月為單位來(lái)計(jì)量，用戶在自表2。

隨著休眠時(shí)間增長(zhǎng)，重啟查詢的可能性越來(lái)越低。為了驗(yàn)證結(jié)果的穩(wěn)定性，依次對(duì)每個(gè)月的數(shù)據(jù)進(jìn)行滾動(dòng)分析，見(jiàn)表3和然月內(nèi)有查詢行為即為當(dāng)月活躍，否則為休眠。滾動(dòng)一個(gè)月后繼續(xù)觀察用戶的活躍狀態(tài)。由此分析正常用戶的休眠、重啟特征。

以2015年9月份的數(shù)據(jù)為例，當(dāng)前活躍用戶6.7萬(wàn)，占比42%。在2015年10月份，上個(gè)月6.7萬(wàn)活躍用戶中，93%的用戶繼續(xù)活躍，剩余7%變成休眠1個(gè)月用戶。2015年9月份休眠1個(gè)月用戶0.4萬(wàn)，占比3%。在2015年10月份，這0.4萬(wàn)用戶中，42%的用戶又有了查詢，再次活躍起來(lái)，剩余58%的用戶由休眠1個(gè)月用戶變成休眠2個(gè)月用戶，具體見(jiàn)圖2。

圖1 用戶休眠天數(shù)頻度分析

表2 用戶活躍數(shù)據(jù)

由圖2可以看出，3個(gè)月、6個(gè)月也是與查詢行為高度相關(guān)的特征值。休眠3個(gè)月的用戶再次活躍的比例≤11%，休眠6個(gè)月的用戶再次活躍的比例≤6%并趨于平穩(wěn)。

表3 活躍率滾動(dòng)數(shù)據(jù)

圖2 當(dāng)前用戶一個(gè)月后重啟查詢的平均占比

3.5 模型建立

3.5.1 根據(jù)用戶特征分組

查詢矩陣中存在大量缺失值，建模前需對(duì)缺失值進(jìn)行補(bǔ)充。為了能用最恰當(dāng)?shù)闹笛a(bǔ)充，需要對(duì)用戶按照查詢特征進(jìn)行分組。

根據(jù)上文用戶查詢特征數(shù)據(jù)分析結(jié)果，將用戶活躍狀態(tài)分為六大類，分別是活躍無(wú)斷點(diǎn)、活躍有斷點(diǎn)、新開(kāi)用戶、次新用戶、當(dāng)前休眠用戶和歷史休眠用戶，具體見(jiàn)表4。

3.5.2 用戶月查詢量缺失值補(bǔ)充

以上六大類特征用戶，其查詢量缺失值補(bǔ)充規(guī)則見(jiàn)表5。

3.5.3 根據(jù)波動(dòng)特征構(gòu)建模型

原則上，用戶的查詢需求受其所屬機(jī)構(gòu)查詢需求的影響，并保持相同趨勢(shì)。用戶所屬機(jī)構(gòu)分為十二大類，分別為：中國(guó)人民銀行、全國(guó)性商業(yè)銀行、城市商業(yè)銀行、農(nóng)村信用合作社、城市信用合作社、村鎮(zhèn)銀行、政策性銀行、公積金管理中心、財(cái)務(wù)公司、汽車金融公司、外資銀行、小額貸款公司。

表4 用戶活躍狀態(tài)分類

表5 補(bǔ)充缺失值的規(guī)則

十二大類的機(jī)構(gòu)呈現(xiàn)出4種不同的波動(dòng)趨勢(shì)，分別為平穩(wěn)型、增長(zhǎng)型、小幅跳躍型和周期跳躍型。因此，對(duì)用戶的建模算法也遵循以上4類，其對(duì)應(yīng)的預(yù)測(cè)算法見(jiàn)表6。

隨著互聯(lián)網(wǎng)的快速發(fā)展及“互聯(lián)網(wǎng)+”時(shí)代的到來(lái)，傳統(tǒng)的思想政治教育方式已經(jīng)不再適應(yīng)大學(xué)生群體，高校思想政治教育需要探索“互聯(lián)網(wǎng)+”背景下大學(xué)生工作的新途徑、新方法。因此，思想政治教育工作必須創(chuàng)新內(nèi)容與形式，適應(yīng)網(wǎng)絡(luò)化的發(fā)展。緊跟技術(shù)進(jìn)步與話語(yǔ)情境的變化，將工作延伸到虛擬世界，充分發(fā)揮網(wǎng)絡(luò)信息技術(shù)的優(yōu)勢(shì)。積極促進(jìn)融合發(fā)展，用傳統(tǒng)優(yōu)勢(shì)與信息技術(shù)協(xié)力推動(dòng)思想政治教育工作。

3.5.4 預(yù)測(cè)用戶月查詢量

用修正過(guò)的用戶查詢數(shù)據(jù)，根據(jù)用戶所屬組別選擇預(yù)測(cè)模型，預(yù)測(cè)其月度查詢峰值。

（1）平穩(wěn)型

此類機(jī)構(gòu)查詢量每月基本穩(wěn)定，使用簡(jiǎn)單平均算法來(lái)預(yù)測(cè)下個(gè)月的查詢量，其計(jì)算式為：

其中，Xi(i=0,…,23)表示用戶最近24個(gè)月的實(shí)際查詢量；表示下一個(gè)月的月度預(yù)測(cè)值；N為調(diào)整系數(shù)；Std為24個(gè)月查詢量的標(biāo)準(zhǔn)差。

（2）增長(zhǎng)型

此類機(jī)構(gòu)每月增長(zhǎng)趨勢(shì)明顯，采用月度差分加權(quán)移動(dòng)平均算法，其計(jì)算式為：

其中，Xi(i=0,…,23)表示用戶最近24個(gè)月實(shí)際查詢量；表示下一個(gè)月的月度預(yù)測(cè)值；Δi(i=0,…,22)表示每個(gè)月與上個(gè)月查詢量的差值；N為調(diào)整系數(shù)；Std為24個(gè)月查詢量的標(biāo)準(zhǔn)差；R表示指數(shù)權(quán)重，取值范圍為(0,1)。

指數(shù)權(quán)重R的取值規(guī)則為：

其中，m為增長(zhǎng)型用戶總數(shù)；Xi24表示第i個(gè)用戶預(yù)測(cè)值；Xij表示第i個(gè)用戶第j個(gè)月實(shí)際查詢值；r=0.01,0.02,0.03,…,0.99，每次共計(jì)算99次；R的值是min(W)對(duì)應(yīng)的r。

（3）小幅跳躍型

此類機(jī)構(gòu)每月的查詢量有一定的波動(dòng)，但變化幅度很小，采用指數(shù)加權(quán)移動(dòng)平均算法，其計(jì)算式為：

表6 查詢量波動(dòng)特征及對(duì)應(yīng)預(yù)測(cè)算法

i=0

其中，Xi(i=0,…,23)表示用戶最近24個(gè)月實(shí)際查詢量；表示下一個(gè)月的月度預(yù)測(cè)值；N為調(diào)整系數(shù)；Std為24個(gè)月查詢量的標(biāo)準(zhǔn)差；R表示指數(shù)權(quán)重，取值范圍為（0，1）。

指數(shù)權(quán)重R的取值規(guī)則為：

0.03 , …,0.99，每次共計(jì)算99次；R的值是min(W)所對(duì)應(yīng)的r。

（4）周期跳躍型

此類機(jī)構(gòu)查詢量波動(dòng)有很強(qiáng)的周期性特征，采用年度差分方法，其計(jì)算式為：

其中，Xi(i=0,…,35)表示用戶最近36個(gè)月實(shí)際查詢量；表示下一個(gè)月的月度預(yù)測(cè)值；N為調(diào)整系數(shù)；Std為36個(gè)月實(shí)際查詢量的標(biāo)準(zhǔn)差。

3.5.5 預(yù)測(cè)用戶日查詢峰值

月查詢量預(yù)測(cè)即模型的結(jié)果，但為了滿足實(shí)時(shí)監(jiān)測(cè)的需要，需要將月度預(yù)測(cè)值推算至日預(yù)測(cè)峰值，具體計(jì)算式為：

其中，Xi(i=0,…,23)表示用戶最近24個(gè)表示下一個(gè)月的月度預(yù)測(cè)值；di為每個(gè)月的日查詢峰值；表示月的實(shí)際查詢量；下一個(gè)月預(yù)測(cè)的日查詢峰值。

3.6 模型驗(yàn)證

利用相對(duì)誤差及泰勒不等系數(shù)，對(duì)4種模型進(jìn)行驗(yàn)證，具體見(jiàn)表7。結(jié)果表明，該模型應(yīng)用于個(gè)人查詢量預(yù)測(cè)是可行的。如平穩(wěn)型模型相對(duì)誤差的最大值、次大值和最小值分別為23.71%、23.47%、0.65%，平均精度為84.45%，泰勒不等系數(shù)為0.085，模型效果很好。

泰勒不等系數(shù)計(jì)算式為：

泰勒不等系數(shù)的值在0和1之間，當(dāng)泰勒不等系數(shù)等于0時(shí)，是最優(yōu)擬合。

平均相對(duì)誤差計(jì)算式為：

4 模型應(yīng)用及討論

表7 模型驗(yàn)證結(jié)果

該模型針對(duì)每個(gè)用戶可以得到2個(gè)預(yù)測(cè)值：一個(gè)是月度預(yù)測(cè)值另一個(gè)是日查詢峰值

圖3 某用戶最近24個(gè)月查詢量趨勢(shì)

為了實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)的目標(biāo)，系統(tǒng)每隔5 min從生產(chǎn)環(huán)境中提取查詢記錄，每次取數(shù)耗時(shí)4 s。然后按用戶分別統(tǒng)計(jì)當(dāng)月實(shí)際累計(jì)查詢量Y和當(dāng)日實(shí)際累計(jì)查詢量e。監(jiān)測(cè)結(jié)果W的計(jì)算式為：

一旦W=true，系統(tǒng)自動(dòng)告警，表示查詢異常，并立馬阻斷該用戶查詢操作。

該數(shù)據(jù)挖掘模型部署至個(gè)人征信系統(tǒng)，從上線兩個(gè)月的監(jiān)測(cè)結(jié)果來(lái)看，共發(fā)現(xiàn)1 182筆異常查詢行為。經(jīng)過(guò)業(yè)務(wù)核查，確認(rèn)存在違規(guī)查詢。案例如下：該模型監(jiān)測(cè)發(fā)現(xiàn)2016年2月份，XX中心支行某用戶當(dāng)月查詢預(yù)測(cè)值為2 350次，而實(shí)際查詢量為8 563次，查詢異常，經(jīng)核實(shí)確系違規(guī)操作，如圖3所示。

5 結(jié)束語(yǔ)

本文結(jié)合前期業(yè)務(wù)驅(qū)動(dòng)的監(jiān)測(cè)結(jié)果及已掌握的異常查詢案例，通過(guò)數(shù)據(jù)挖掘技術(shù)，從海量查詢記錄中，分析查詢用戶的行為模式，并歸納出平穩(wěn)型、增長(zhǎng)型、小幅跳躍型、周期跳躍型4種異常查詢實(shí)時(shí)監(jiān)測(cè)模型。經(jīng)檢驗(yàn)，該模型能快速準(zhǔn)確地定位異常查詢行為，從而更好地保護(hù)信息安全，同時(shí)，該模型成功上線后，對(duì)個(gè)人征信系統(tǒng)的違規(guī)查詢行為產(chǎn)生威懾作用，倒逼查詢機(jī)構(gòu)加強(qiáng)內(nèi)部管理，合法使用信用信息，以保障信息主體的權(quán)益，促進(jìn)征信市場(chǎng)健康發(fā)展。

致謝

中國(guó)人民銀行征信中心數(shù)據(jù)部高健、鄧林慧、李狀君、徐方林等同事對(duì)本研究工作給予了大量幫助，特此感謝。

[1] HAN J, KAMBER M. Data mining concepts and techniques[M]. Translated by FAN M, MENG X F. Beijing: China Machine Press, 2012.

[2] PANG-NING T, STEINBACH M, KUMAR V. Introduction to data mining[M]. Translated by FAN M, FAN H J. Beijing: Posts & Telecom Press, 2011.

[3] 中華人民共和國(guó)國(guó)務(wù)院. 征信業(yè)管理?xiàng)l例[M].北京: 中國(guó)法制出版社, 2013.The State Council of the People’s Republic of China. Credit reporting industry regulations[M]. Beijing: China Legal Publishing House, 2013.

[4] 汪路. 論征信的本質(zhì)及其主要特征[J]. 西部金融, 2010(6): 60-62. WANG L. On the essence and mainfeatures of credit reference [J]. West China Finance, 2010(6): 60-62.

Real-time data-mining-based anomaly
inquiry monitoring model of personal credit reference system and it's application

YAO Qian, XIE Huamei, JING Zhigang, HU Qingqing, SI Enzhe

Credit Reference Center, the People’s Bank of China, Beijing 100031, China

The data selected contained 900 million query records in the latest 36 months from the personal credit reference system database. The model was subdivided according to different volatility characteristics of each user’s query behavior, and four types of real-time anomaly inquiry monitoring models were discussed and developed. Results indicate that the anomaly inquiry monitoring model is feasible to apply on predicting anomaly query behaviors and showed positive effects. The successful application and constant perfection of the model would definitely exert deterrent effect on illegal query behaviors, force commercial banks to strengthen internal management, protect individual’s private information and right, and promote the healthy development of the credit reference market.

data mining, personal credit reference system, anomaly inquiry, illegal inquiry, real-time monitoring

TP399

A

10.11959/j.issn.2096-0271.2016044

姚前（1970-），男，中國(guó)人民銀行征信中心副主任、高級(jí)工程師，主要研究方向?yàn)榉植际较到y(tǒng)和計(jì)算機(jī)安全。

謝華美（1976-），男，中國(guó)人民銀行征信中心數(shù)據(jù)部副總經(jīng)理，主要研究方向?yàn)閿?shù)據(jù)挖掘。

景志剛（1977-），男，現(xiàn)就職于中國(guó)人民銀行征信中心數(shù)據(jù)部，主要研究方向?yàn)閿?shù)據(jù)挖掘。

胡青青（1984-），女，現(xiàn)就職于中國(guó)人民銀行征信中心數(shù)據(jù)部，主要研究方向?yàn)閿?shù)據(jù)挖掘。

司恩哲（1985-），男，現(xiàn)就職于中國(guó)人民銀行征信中心數(shù)據(jù)部，主要研究方向?yàn)閿?shù)據(jù)挖掘。

2016-02-17