浅谈风控的架构
本文来自微信公众号：caoz的梦呓（ID：caozsay），作者：caozsay，题图来自：《少数派报告》
其实不同行业，不同领域的风控还是有很大区别的，这里只针对典型刷量，刷榜，不当获利等类型的网络行为，进行风控体系的一些基本架构。
当然，与时俱进，有些新的思路可能已经超出我的认知，也欢迎批判指正。
数据预警
当业务数据有比较明显波动的时候，无论是往好的方向，还是坏的方向，都应该立即提示预警，这个波动范围是多少呢？对于巨大的互联网平台而言，超过5%的同比变化很可能就是一个预警阈值，但对于很多创业小团队来说，可能大幅度变动比较频繁，阈值可以设置的高一些。
我做个假设，如果你是微信产品经理，你发现今天在没有产品升级，没有热点新闻的情况下，朋友圈的浏览和转发增加了5%，你会认为这是自然增长么？多半你会暗骂一句，妈蛋，又是什么裂变套路失控了。
来，思考题，为什么微信不遗余力地绞杀各种裂变运营？裂变难道不是数据向好么？这是一个典型的风控认知问题。曾经，人人网会认为这是好数据，所以它死掉了。
数据预警不代表一定存在问题，但快速甄别和判断是需要的，正确理解数据变动的原因，并快速确认，这是一个风控需要处理的问题。
数据预警不只是总量信息的预警，比如来自于某个特征的数据突然激增，也是需要关注并确认的，比如某个地区的访问量突然激增，或者某种设备的访问量突然激增，就很可能来自于某些刷机的机池。
至于怎么分析数据异常，以前提过，对比、细分、溯源，我这三板斧可以解决绝大部分的数据异常定位问题。
风控的处置引擎
处置引擎用于对数据进行清洗，过滤和阻断。
处置引擎的处理策略包括实时处理和回溯处理。
实时处理就是针对当前的操作，当前的行为进行判定，并实时进行标签，过滤或阻断。
回溯处理就是对历史数据做分析，并做出合理的判断和处理，比如清洗数据，或者常见的砍单。
标签的意思是，系统怀疑这个数据有问题，先标记下来，后续人工校验。
过滤的意思是，这个数据系统认为无效，不予记录，但用户仍然可以有效的进行操作和交互。
阻断的意思就是，这个行为被认定无效，用户交互被阻断。
规则配置
处置引擎通常是基于规则进行处理的，那么规则的配置就是一个典型的系统。
典型如黑名单，比如符合什么条件的被阻断，符合什么条件的记录要被清洗，符合什么条件的记录打标签。
这里有两种常见规则，一种是针对单条信息基于明确的规则阻断，比如来自于黑名单的ip不予访问。另一种是基于某些统计规律进行清洗，比如来自同一个ip区段的重复点击超过阈值后不再记录。
机器学习
在古早互联网，规则的产生是来自于针对历史经验教训的总结，一个资深的风控基于日志分析和过往被侵袭的记录，逐条设置规则，防范欺诈点击或其他不当得利。
但现在不一样了，机器学习开始逐渐替代人工，自动基于一些坏记录，整理规则，甚至超出人类的常识。
而这些规则，很多时候，是可做，不可说的，比如说，某个现金贷平台，基于历史的坏账记录，机器学习总结出一条规律来，身份证号码前几位是什么什么数字的，坏账率明显偏高，那么这个规律就被写入了风控规则库。
那你说是不是有误杀，机器关心的是整体效率，比如整体坏账率2%，而符合这个规则的坏账率是10%，10%已经会导致平台严重亏损，所以加入这条规则，虽然会误杀掉符合条件的90%的好人，平台也是愿意的。
为什么可做不可说，你讲出来，这叫什么，地域歧视，你凭什么说人家这个地区的就是坏人。你毕竟误杀了90%的好人对不对，但这是机器学习做出来的，所以，可做，不可说。
情报体系
风控的负责人员，核心人员，应该加入一些安全行业的内部社群，参与一些安全行业的交流活动，甚至还需要渗透到各种羊毛党群，各种黑灰产社群，潜伏了解一些流传的攻击手段和攻击资源。我以前说过一句话，一个公司的信息安全，三分靠技术，七分靠人脉，今天还是要重复这个观点，真的。
有人觉得我能力强，水平高，我不混圈子。信息安全，风控这个行业水很深，可能你的平台被某些对手搞了很久，圈内都知道了，就你不知道。这种事其实挺常见的，早些年那个空空狐创业者，自称被投资人欺负的那个，数据是因为愚蠢的补贴策略，被信用卡套现的羊毛党薅出来的，各种社群都在交流，就创业者自己不知道，还觉得自己业务数据挺好。
业务影响评估
风控也不是越严格越好，因为过度严格的风控会把业务搞死。今天我们说商旅行业羊毛党仍然有很多玩法和路数，那些商业巨头难道不清楚？为什么航空公司，酒店集团，对积分里程的各种羊毛玩法没有斩尽杀绝，水至清则无鱼啊，让会员总觉得有便宜可以赚，也是一种维持用户增长的途径。
所以各种风控策略上线后，依然要基于数据不断评估和反思，是不是某些策略所处理的问题已经不那么严重，误杀率是不是有点过高，对正常用户的行为是不是造成了干扰，可能特殊阶段会有比较严格的策略，那么这个阶段过去后，相关的策略是否可以减弱甚至取消？
风控其实有两个指标，第一是对不良行为的清洗、阻断率，是不是真正有效的让那些干扰和噪音不再影响业务和决策者的判断。第二是对正常业务的干扰率，风控不可能是完全精确的，任何一条策略都可能干扰到正常用户行为和正常业务数据。那么这个影响是否可以控制在足够小的范围内。这是要经常反思和分析的，千万不要被业务负责人过来追着骂的时候，才想起来这里可能有问题。
大体如此，实际细节还是非常多的，而且还不敢展开，一展开就暴露我的无知了。
本文来自微信公众号：caoz的梦呓（ID：caozsay），作者：caozsay
相关推荐
浅谈风控的架构
浅谈巴西移动游戏出海机遇与挑战
切入汽车金融领域，「符号律动」想帮客户解决风控难题
独角兽企业的风控逻辑 | 新经济独角兽（3）
如何用风控拯救下架的内容社区？
数据环境生变，银行大数据风控怎么办？
风控划水，34亿资金翻船，京东诺亚谁在说谎
网贷行业再迎监管风暴，这次中枪的是大数据风控
「顶象」发布风控系统5.0，满足金融行业风险管控、反欺诈和智能模型建设等要求
水滴筹上线风控系统，今年发现恶意筹款1884个
网址: 浅谈风控的架构 http://m.xishuta.com/newsview40411.html
