1. 風(fēng)控初印象它遠不止是“說不”“風(fēng)控”這個詞聽起來挺高大上又有點神秘甚至帶點“生人勿近”的距離感。在很多人的第一印象里風(fēng)控部門就是那個總在說“不”的部門申請貸款不批。交易支付攔截?；顒犹岈F(xiàn)審核中。仿佛它的存在就是為了給業(yè)務(wù)“添堵”給用戶“設(shè)卡”。我剛?cè)胄心菚阂彩沁@么想的。覺得風(fēng)控就是一堆冰冷的規(guī)則和模型對著數(shù)據(jù)指指點點然后無情地拒絕。但干了十幾年踩過無數(shù)坑也見證過因為風(fēng)控缺失而引發(fā)的“災(zāi)難”后我才徹底明白風(fēng)控的本質(zhì)不是“拒絕”而是“護航”。它更像一艘巨輪上的雷達和導(dǎo)航系統(tǒng)不是為了阻止航行而是為了在充滿冰山和暗礁的海域中找到最安全、最高效的航線確保整艘船也就是你的業(yè)務(wù)能持續(xù)、穩(wěn)定地抵達目的地。那么到底什么是風(fēng)控用最直白的話說風(fēng)控就是識別、評估、應(yīng)對和管理那些可能阻礙你達成業(yè)務(wù)目標(biāo)的不確定性風(fēng)險的過程。這里的“業(yè)務(wù)目標(biāo)”可以非常廣泛對于一家金融公司目標(biāo)是安全地賺取利息差對于一個電商平臺目標(biāo)是促成更多真實、優(yōu)質(zhì)的交易對于一個內(nèi)容社區(qū)目標(biāo)是維護良好的討論氛圍。而“風(fēng)險”就是那些可能讓你偏離目標(biāo)、甚至造成損失的事件欺詐交易、壞賬、羊毛黨、內(nèi)容違規(guī)、系統(tǒng)宕機、數(shù)據(jù)泄露……都屬于風(fēng)險的范疇。所以風(fēng)控絕不是業(yè)務(wù)的敵人而是業(yè)務(wù)最親密的戰(zhàn)友。一個優(yōu)秀的風(fēng)控體系能讓業(yè)務(wù)在安全的邊界內(nèi)“撒歡兒跑”敢于嘗試新的增長策略敢于服務(wù)更廣泛的客群因為它心里有底。今天我就從一個一線從業(yè)者的角度掰開揉碎了跟你聊聊風(fēng)控到底在干什么以及我們每天都在琢磨些什么。2. 風(fēng)控的核心目標(biāo)在收益與風(fēng)險的鋼絲上跳舞很多人會把風(fēng)控的目標(biāo)簡單理解為“抓壞人”或“零風(fēng)險”這其實是最大的誤解。在真實的商業(yè)世界里“零風(fēng)險”意味著“零業(yè)務(wù)”因為你拒絕了一切可能性。風(fēng)控真正的核心目標(biāo)是在風(fēng)險、體驗、成本這三者之間找到一個精妙的、動態(tài)的平衡點。2.1 風(fēng)險損失的底線這是風(fēng)控的立身之本。我們需要量化風(fēng)險并把它控制在可接受的范圍內(nèi)。這個“可接受的范圍”就是風(fēng)險偏好Risk Appetite。比如一家保守的銀行可能將信貸損失率定為1%而一家追求增長的消費金融公司可能容忍2.5%。風(fēng)控的所有策略和模型最終都是為了確保實際損失率不突破這個底線。但這只是防守是底線思維。2.2 體驗增長的油門這是業(yè)務(wù)團隊最關(guān)心的。過度的風(fēng)控會嚴(yán)重傷害用戶體驗注冊要填20項信息、每筆支付都要短信驗證、提現(xiàn)審核要等三天……用戶早就跑光了。因此現(xiàn)代風(fēng)控追求的是“無感風(fēng)控”或“敏捷風(fēng)控”。對于絕大多數(shù)可信用戶流程必須絲般順滑只對少數(shù)高風(fēng)險行為進行干預(yù)。我們的目標(biāo)是把攔截的“子彈”用在最關(guān)鍵的“敵人”身上避免誤傷友軍。提升體驗本質(zhì)上就是在降低因風(fēng)控而流失的用戶成本為業(yè)務(wù)增長加油。2.3 成本效率的算盤風(fēng)控本身也是有成本的。這包括直接成本如采購?fù)獠繑?shù)據(jù)、部署算力、人力成本和間接成本如因?qū)徍搜舆t導(dǎo)致的資金占用成本、誤拒帶來的商譽損失。一個高效的風(fēng)控系統(tǒng)會追求“性價比最高”的風(fēng)險管控。例如對于小額交易可能用一個輕量級的規(guī)則模型快速放行對于大額交易則調(diào)用更復(fù)雜的模型和多維度數(shù)據(jù)進行深度研判。我們要像精算師一樣計算每一分風(fēng)控投入帶來的風(fēng)險降低收益是否劃算。這三者構(gòu)成了一個不可能三角風(fēng)控的藝術(shù)就在于根據(jù)業(yè)務(wù)的不同發(fā)展階段動態(tài)調(diào)整這個三角形的形狀。業(yè)務(wù)初期要增長可能適當(dāng)放寬風(fēng)險容忍度優(yōu)先保障體驗業(yè)務(wù)成熟期要利潤則需收緊風(fēng)險政策優(yōu)化成本結(jié)構(gòu)。我們每天開會吵架、分析數(shù)據(jù)、調(diào)整策略吵的就是這個三角形的傾斜角度。3. 風(fēng)控的四大核心環(huán)節(jié)從感知到行動的完整閉環(huán)一個完整的風(fēng)控流程不是一個點狀的“審核”動作而是一個貫穿業(yè)務(wù)始終的閉環(huán)。我習(xí)慣把它拆解為四個核心環(huán)節(jié)它們環(huán)環(huán)相扣缺一不可。3.1 風(fēng)險識別發(fā)現(xiàn)“哪里可能出事”這是所有風(fēng)控工作的起點。如果連風(fēng)險是什么、在哪里都不知道后續(xù)所有工作都是無的放矢。風(fēng)險識別主要靠兩方面歷史經(jīng)驗與業(yè)務(wù)邏輯這是基礎(chǔ)。做信貸就知道有信用風(fēng)險做支付就知道有盜刷風(fēng)險做UGC社區(qū)就知道有涉政、暴恐內(nèi)容風(fēng)險。這些是基于業(yè)務(wù)本質(zhì)的“已知風(fēng)險”。數(shù)據(jù)感知與異常發(fā)現(xiàn)這是進階。通過監(jiān)控核心業(yè)務(wù)指標(biāo)如登錄成功率、交易金額分布、申請集中度的波動或利用無監(jiān)督機器學(xué)習(xí)模型發(fā)現(xiàn)群體異常模式來捕捉那些“未知的風(fēng)險”或新型攻擊手法。比如突然發(fā)現(xiàn)來自某個特定IP段的所有新注冊用戶其行為路徑完全一致這就可能是一個新的機器人攻擊信號。實操心得風(fēng)險識別不能只靠風(fēng)控團隊閉門造車。必須建立與業(yè)務(wù)、運營、客服團隊的常態(tài)化溝通機制。很多風(fēng)險線索如“最近很多用戶投訴收到詐騙短信”、“某個渠道的客戶質(zhì)量突然變差”最早都來自一線。我們團隊有個“風(fēng)險線索池”在線文檔任何部門的同事都可以隨時往里填信息我們會定期評估并跟進這往往比數(shù)據(jù)監(jiān)控發(fā)現(xiàn)得更早、更準(zhǔn)。3.2 風(fēng)險評估量化“出事的可能性和損失有多大”識別出風(fēng)險后就要對它進行“定價”。這是風(fēng)控從定性走向定量的關(guān)鍵一步。核心是評估兩個維度風(fēng)險發(fā)生的概率Probability和風(fēng)險發(fā)生后的影響Impact。對于概率評估我們主要依靠模型。比如信用評分模型就是通過用戶的歷史金融數(shù)據(jù)、行為數(shù)據(jù)等預(yù)測其未來違約的概率。反欺詐模型則是預(yù)測一筆交易是欺詐的概率。對于影響評估則更多依賴于業(yè)務(wù)規(guī)則和策略。例如同樣是欺詐風(fēng)險盜刷100元和盜刷10萬元影響天差地別。我們會結(jié)合交易金額、用戶價值、資產(chǎn)類型等因素綜合判斷風(fēng)險的嚴(yán)重等級。通常我們會用一個風(fēng)險矩陣來可視化評估結(jié)果將風(fēng)險事件劃分為“高概率-高影響”、“高概率-低影響”、“低概率-高影響”、“低概率-低影響”等不同象限從而決定后續(xù)資源的投入優(yōu)先級。3.3 風(fēng)險應(yīng)對決定“這事該怎么辦”根據(jù)風(fēng)險評估的結(jié)果我們要采取具體的行動。應(yīng)對措施是一個豐富的工具箱絕不是簡單的“通過”或“拒絕”。常見的應(yīng)對策略包括規(guī)避徹底不做。比如明確禁止在平臺進行虛擬貨幣交易。降低最常用的手段。例如對于中等風(fēng)險的交易要求進行二次驗證短信、人臉對于信用一般的用戶給予較低的授信額度。轉(zhuǎn)移將風(fēng)險轉(zhuǎn)嫁給第三方。比如為交易購買保險或與渠道約定對劣質(zhì)客戶共擔(dān)損失。接受對于低概率、低影響或控制成本過高的風(fēng)險選擇承擔(dān)。比如承擔(dān)一定比例的策略性壞賬。這里最考驗功力的是策略的精細化和差異化。一刀切的策略成本最低但體驗最差。我們追求的是“千人千面”的風(fēng)險應(yīng)對對優(yōu)質(zhì)老客可能全程無感對新客或可疑行為才逐步升級驗證手段。3.4 風(fēng)險監(jiān)控與迭代驗證“辦得對不對下次怎么更好”風(fēng)控策略上線不是結(jié)束而是開始。一個策略的效果如何有沒有誤傷好用戶有沒有被黑產(chǎn)繞過都需要持續(xù)監(jiān)控。我們主要看幾個核心指標(biāo)捕獲率Capture Rate我們攔截的事件中真正是壞事的比例有多高這衡量策略的精準(zhǔn)度。誤報率False Positive Rate我們攔截的事件中好用戶被冤枉的比例有多高這直接關(guān)系到用戶體驗。策略覆蓋度策略攔截了多少比例的總體風(fēng)險損失有沒有大的風(fēng)險漏洞沒被覆蓋基于這些監(jiān)控數(shù)據(jù)我們要進行快速的迭代優(yōu)化?？赡苷{(diào)整規(guī)則的閾值可能給模型補充新的特征也可能設(shè)計全新的應(yīng)對流程。風(fēng)控體系就是在“部署-監(jiān)控-分析-優(yōu)化-再部署”這個快速循環(huán)中不斷進化對抗日益變化的黑產(chǎn)攻擊。4. 風(fēng)控的技術(shù)武器庫規(guī)則、模型與系統(tǒng)工欲善其事必先利其器?，F(xiàn)代風(fēng)控離不開技術(shù)和數(shù)據(jù)的驅(qū)動。我們的武器庫主要包含三樣?xùn)|西規(guī)則引擎、模型算法和風(fēng)控決策系統(tǒng)。4.1 規(guī)則引擎簡單直接的“如果-那么”規(guī)則是風(fēng)控最傳統(tǒng)、最基礎(chǔ)但也最不可或缺的手段。它的形式通常是“如果【條件A】且【條件B】成立那么執(zhí)行【動作C】”。示例如果用戶來自高風(fēng)險IP地區(qū)且本次登錄設(shè)備與常用設(shè)備不符且交易金額 5000元那么觸發(fā)人工審核。優(yōu)點邏輯清晰解釋性強開發(fā)部署快對于明確的已知風(fēng)險非常有效。缺點難以應(yīng)對復(fù)雜、多變、非線性的風(fēng)險模式規(guī)則之間容易沖突維護成本高容易形成“規(guī)則叢林”。規(guī)則設(shè)置的心得切忌設(shè)置大量靜態(tài)、孤立的規(guī)則。優(yōu)秀的規(guī)則體系應(yīng)該是“分層、遞進、可解釋”的。我們通常構(gòu)建一個規(guī)則集從最簡單的黑白名單規(guī)則開始到基于統(tǒng)計的閾值規(guī)則再到復(fù)雜的關(guān)聯(lián)圖譜規(guī)則。每層規(guī)則都有明確的意圖和攔截目標(biāo)并且所有被規(guī)則攔截的案件都必須能追溯到具體的規(guī)則條款和觸發(fā)數(shù)據(jù)便于后續(xù)分析和用戶溝通。4.2 模型算法從數(shù)據(jù)中學(xué)習(xí)的“預(yù)言家”當(dāng)規(guī)則難以應(yīng)對時模型就該上場了。模型通過對大量歷史數(shù)據(jù)既有好人樣本也有壞人樣本進行學(xué)習(xí)自動找出區(qū)分好壞的復(fù)雜模式。傳統(tǒng)機器學(xué)習(xí)模型如邏輯回歸、決策樹、隨機森林、梯度提升樹如XGBoost, LightGBM。這些模型在金融風(fēng)控中應(yīng)用非常成熟尤其是GBDT類模型因其強大的特征組合能力和較好的可解釋性通過特征重要性成為評分卡模型的主流選擇。深度學(xué)習(xí)模型如神經(jīng)網(wǎng)絡(luò)。在處理圖像驗證碼識別、證件OCR、文本輿情分析、欺詐內(nèi)容識別、序列數(shù)據(jù)用戶行為序列欺詐檢測等方面有獨特優(yōu)勢。但其“黑盒”特性使得在強監(jiān)管的金融信貸領(lǐng)域應(yīng)用受限。無監(jiān)督與圖算法用于發(fā)現(xiàn)“未知的未知”。無監(jiān)督聚類可以發(fā)現(xiàn)行為異常的用戶群體圖計算則可以挖掘用戶、設(shè)備、IP、地址之間的復(fù)雜關(guān)聯(lián)關(guān)系揪出有組織的欺詐團伙。模型應(yīng)用的坑最大的坑莫過于“模型漂移”。今天訓(xùn)練有效的模型可能因為市場環(huán)境變化、黑產(chǎn)手法升級、業(yè)務(wù)自身調(diào)整在明天就失效了。因此模型必須有嚴(yán)格的監(jiān)控和定期重訓(xùn)機制。我們不僅監(jiān)控模型的性能指標(biāo)如AUC、KS值更監(jiān)控模型輸入特征的分布是否發(fā)生變化PSI指標(biāo)以及模型打分的人群分布是否偏移。4.3 風(fēng)控決策系統(tǒng)讓策略高效運轉(zhuǎn)的“大腦”規(guī)則和模型是武器決策系統(tǒng)則是指揮這些武器協(xié)同作戰(zhàn)的中樞。一個現(xiàn)代化的風(fēng)控決策系統(tǒng)也叫風(fēng)控引擎通常包含以下組件特征平臺實時或準(zhǔn)實時地計算和提供成千上萬個風(fēng)險特征如“用戶近1小時交易次數(shù)”、“設(shè)備歷史關(guān)聯(lián)賬號數(shù)”等。這是決策的“感官”。決策引擎核心大腦按照預(yù)定義的決策流Decision Flow或決策樹Decision Tree順序或并行地執(zhí)行規(guī)則調(diào)用、模型評分、外部數(shù)據(jù)查詢等動作最終產(chǎn)出決策結(jié)果通過、拒絕、挑戰(zhàn)等和風(fēng)險標(biāo)簽。實驗平臺為了科學(xué)地迭代策略我們需要進行A/B測試。實驗平臺能對流量進行分割讓不同用戶群體走不同的策略路徑從而對比新老策略的效果。案件管理系統(tǒng)對于被系統(tǒng)攔截或標(biāo)記的案件需要人工進行復(fù)審。案件管理系統(tǒng)提供了高效的操作界面、所有相關(guān)數(shù)據(jù)的聚合展示以及最終處置結(jié)果的反饋閉環(huán)這些反饋數(shù)據(jù)又是優(yōu)化規(guī)則和模型的寶貴原料。系統(tǒng)建設(shè)的體會風(fēng)控系統(tǒng)絕不是買一個外包產(chǎn)品就能搞定的事。它必須與你的業(yè)務(wù)數(shù)據(jù)、業(yè)務(wù)流程深度耦合。自研當(dāng)然成本高但靈活度和貼合度是外包無法比擬的。對于初創(chuàng)公司可以優(yōu)先使用成熟的SaaS服務(wù)快速起步但當(dāng)業(yè)務(wù)復(fù)雜度達到一定階段后擁有自主可控的風(fēng)控決策系統(tǒng)將是核心競爭力的體現(xiàn)。5. 不同業(yè)務(wù)中的風(fēng)控實戰(zhàn)面面觀風(fēng)控的理念相通但在不同業(yè)務(wù)場景下其關(guān)注點和實現(xiàn)手段差異巨大。脫離場景談風(fēng)控都是空談。5.1 信貸風(fēng)控與“信用”共舞這是最經(jīng)典、體系最完善的風(fēng)控領(lǐng)域。核心是評估借款人的“還款意愿”和“還款能力”。貸前審核重點在于反欺詐和信用評估。運用多頭借貸數(shù)據(jù)、征信報告、社交行為等數(shù)據(jù)通過模型給出信用評分決定是否授信及額度、利率。這里團伙欺詐如騙貸團伙和身份欺詐冒用他人身份是防范重點。貸中監(jiān)控賬戶存活期內(nèi)的風(fēng)險監(jiān)控。監(jiān)測用戶消費行為是否異常如突然大額套現(xiàn)、還款表現(xiàn)是否惡化、在其他平臺是否出現(xiàn)逾期等動態(tài)調(diào)整其額度或采取催收預(yù)警。貸后管理逾期發(fā)生后的處置。包括催收策略制定、資產(chǎn)分類、核銷等?，F(xiàn)代貸后管理也大量運用模型預(yù)測催收難易程度對不同類型逾期客戶采取差異化的催收手段。信貸風(fēng)控的關(guān)鍵數(shù)據(jù)數(shù)據(jù)數(shù)據(jù)尤其是合法的、高質(zhì)量的正面信貸數(shù)據(jù)如還款記錄和負(fù)面數(shù)據(jù)逾期記錄。在數(shù)據(jù)有限的情況下如何利用替代數(shù)據(jù)如電商消費、支付、社交等構(gòu)建有效的信用模型是當(dāng)前的熱點和難點。5.2 交易與支付風(fēng)控在“瞬間”決斷支付風(fēng)控的特點是實時性要求極高通常在毫秒級內(nèi)必須做出決策。用戶體驗極其敏感誤攔真用戶支付會造成交易失敗和客戶流失。核心挑戰(zhàn)盜刷、洗錢、套現(xiàn)、商戶欺詐等。黑產(chǎn)利用盜取的銀行卡信息、通過技術(shù)手段繞過驗證進行盜刷是主要敵人。技術(shù)要點設(shè)備指紋精準(zhǔn)識別用戶設(shè)備即使更換IP、清空Cookie也能通過硬件、軟件的多維度信息進行關(guān)聯(lián)。行為序列分析分析用戶從登錄、瀏覽商品、加入購物車到支付的整個行為序列與歷史正常行為模式對比發(fā)現(xiàn)異常如直接跳轉(zhuǎn)到支付、收貨地址突然變更。實時圖譜計算快速識別交易關(guān)聯(lián)網(wǎng)絡(luò)。例如多個不同賬戶在短時間內(nèi)向同一個新商戶集中付款極有可能是套現(xiàn)或洗錢行為。策略平衡支付風(fēng)控策略往往設(shè)置多個決策節(jié)點。第一道輕量級規(guī)則快速放過絕大多數(shù)正常交易對可疑交易觸發(fā)增強驗證如短信、指紋對高風(fēng)險交易直接攔截并通知用戶。通過這種分層策略兼顧安全與體驗。5.3 營銷與業(yè)務(wù)風(fēng)控守護“增長”的果實這部分風(fēng)控常被忽視但卻直接關(guān)系到企業(yè)的利潤。核心是對抗“羊毛黨”和防止資源被濫用。典型場景新用戶注冊紅包、促銷活動補貼、積分兌換、虛擬資產(chǎn)發(fā)放等。對抗手段人機識別區(qū)分真實用戶和機器腳本。除了傳統(tǒng)的驗證碼圖形、滑塊、點選更高級的是無感驗證通過分析用戶在頁面的鼠標(biāo)移動軌跡、點擊頻率、觸摸行為等來判斷。資源限流對單個用戶、設(shè)備、IP在單位時間內(nèi)的領(lǐng)取次數(shù)、領(lǐng)取總量進行限制。群體挖掘利用聚類算法發(fā)現(xiàn)具有相似異常行為如領(lǐng)券后立即注銷、所有行為都圍繞領(lǐng)券展開的用戶群體打上“羊毛黨”標(biāo)簽整體限制。核心矛盾如何在不傷害真實用戶參與熱情的前提下精準(zhǔn)打擊黑產(chǎn)這需要非常精細的數(shù)據(jù)分析和策略設(shè)計往往需要與運營、產(chǎn)品部門緊密協(xié)作設(shè)計“風(fēng)控友好”的活動規(guī)則如紅包需消費后才可提現(xiàn)。6. 風(fēng)控人的日常數(shù)據(jù)、策略與無止境的對抗外人看來風(fēng)控工作可能很酷像偵探實際上更多的是與數(shù)據(jù)、報表和會議為伴。一個典型的風(fēng)控數(shù)據(jù)分析師或策略工程師的一天可能是這樣的上午打開監(jiān)控報表查看昨日核心指標(biāo)有無異動。處理案件管理系統(tǒng)里堆積的待審案件在復(fù)審中尋找策略的不足。參加業(yè)務(wù)需求會了解下周要上線的新活動評估風(fēng)險并提前準(zhǔn)備預(yù)案。下午分析一個近期上線的反欺詐策略的效果計算捕獲率和誤報率。發(fā)現(xiàn)某個規(guī)則誤傷較高開始追溯數(shù)據(jù)分析誤傷用戶特征準(zhǔn)備調(diào)整規(guī)則閾值或增加白名單。與算法工程師討論為即將迭代的信用模型提供業(yè)務(wù)分析和特征建議。隨時響應(yīng)業(yè)務(wù)警報。比如運營突然反饋“某個渠道的推廣鏈接被刷爆了”需要立即拉取相關(guān)數(shù)據(jù)分析攻擊模式緊急上線一條臨時規(guī)則進行封堵。這個工作的魅力與挑戰(zhàn)在于你永遠在與一個聰明的、不斷進化的對手黑產(chǎn)博弈。你今天堵住了一個漏洞明天他們就會找到新的方法。這就要求風(fēng)控人必須保持持續(xù)學(xué)習(xí)的心態(tài)深入理解業(yè)務(wù)對數(shù)據(jù)敏感并且有極強的邏輯分析和問題解決能力。這不僅僅是一份技術(shù)活更是一份融合了業(yè)務(wù)洞察、數(shù)據(jù)科學(xué)和心理學(xué)理解欺詐者心理的綜合學(xué)科。風(fēng)控的世界沒有銀彈沒有一個模型或規(guī)則能一勞永逸。它是一場基于數(shù)據(jù)和理性的持久戰(zhàn)是一場在混沌中建立秩序、在不確定性中尋找確定性的精彩旅程。如果你對解開復(fù)雜謎題、守護價值創(chuàng)造的過程充滿興趣那么風(fēng)控這片領(lǐng)域永遠有新的挑戰(zhàn)等著你。