一、什么是風(fēng)控

場(chǎng)景1：一位跟你從小玩到大，而且一直都有聯(lián)系、有故事的好朋友，突然說(shuō)家里有啥事，想問(wèn)你借一筆錢，一想到好朋友有困難，你可能會(huì)當(dāng)仁不讓的出手相助，甚至什么時(shí)候還都沒(méi)問(wèn)，就把錢借出去了。

場(chǎng)景2：某天你突然接到一個(gè)，來(lái)自十余年沒(méi)回過(guò)的老家的陌生號(hào)碼的電話，電話那頭，是一副你完全陌生的嗓音，搭配咄咄逼人的語(yǔ)氣，說(shuō)道：xxx啊，我是你小學(xué)同學(xué)某某某，我現(xiàn)在很缺錢，想要借五千塊錢。但是你想了一會(huì)兒，可能都記不起這個(gè)同學(xué)的模樣，甚至懷疑到底有沒(méi)有這個(gè)同學(xué)。此時(shí)你大概率會(huì)認(rèn)為是詐騙電話，臭罵騙子一通，然后把電話掛了。

在這些很常見(jiàn)的場(chǎng)景中，我們其實(shí)就完成了一次又一次完整的風(fēng)控過(guò)程：

• 畫像分析與風(fēng)險(xiǎn)評(píng)估：通過(guò)對(duì)借款人的背景信息評(píng)估，好朋友的往事信手拈來(lái)，家庭背景、償還能力、近況都很清晰，風(fēng)險(xiǎn)系數(shù)低；默認(rèn)的同學(xué)，背景信息缺乏、近況完全未知、償還能力未知，風(fēng)險(xiǎn)系數(shù)極高。
• 風(fēng)險(xiǎn)措施：風(fēng)險(xiǎn)系數(shù)低的朋友，放款快、額度高、還款周期寬松；風(fēng)險(xiǎn)系數(shù)高的同學(xué)，要是再來(lái)電話，得問(wèn)清楚家庭關(guān)系、地址、原因、目前從事的工作類型、工作單位及地點(diǎn)等信息，就算有別的認(rèn)識(shí)的同學(xué)擔(dān)保，也要打個(gè)借條明確還款時(shí)間、逾期懲罰，如果哪點(diǎn)做不到或者內(nèi)容含糊不清，一概拒絕借錢。

風(fēng)險(xiǎn)控制的目的：就是在自我利益最大化的前提下，采用各種舉措，減少風(fēng)險(xiǎn)事件的發(fā)生，或者減少風(fēng)險(xiǎn)造成的損失。

二、風(fēng)控第一步：明確利益

風(fēng)控的前提是，保障自己的利益，如果不需要保障自己的利益，那也就沒(méi)必要風(fēng)控了，就像電影《西虹市首富》，王多魚(yú)的投資策略就是，投資的事情最好越離譜越好，無(wú)償?shù)臑榇蠹业膲?mèng)想買單，這種情況下，風(fēng)控就完全多余的。

但現(xiàn)實(shí)生活中，一個(gè)系統(tǒng)、一款產(chǎn)品，都需要考慮風(fēng)控這件事了，那必然是出于某個(gè)目的、某種利益驅(qū)動(dòng)的。免費(fèi)的APP希望屏蔽爬蟲(chóng)，節(jié)省服務(wù)器流量；收費(fèi)的APP希望屏蔽羊毛黨，減少損失、增加利潤(rùn)……

明確風(fēng)控的目的，是設(shè)計(jì)風(fēng)控系統(tǒng)的第一要?jiǎng)?wù)，現(xiàn)在我們有個(gè)系統(tǒng)，用戶通過(guò)在指定地點(diǎn)簽到完成任務(wù)，累計(jì)一定數(shù)量，就可以兌換獎(jiǎng)勵(lì)，那我們風(fēng)控的目的，是不想獎(jiǎng)勵(lì)給那些作弊的人，把獎(jiǎng)勵(lì)真正給到那些真實(shí)完成任務(wù)的人，從而激勵(lì)大家更積極、認(rèn)真的參與任務(wù)。

• 明確目的：減少獎(jiǎng)勵(lì)損失、讓獎(jiǎng)勵(lì)給到真正參與的人
• 采取手段：找到作弊者，然后拒絕發(fā)放獎(jiǎng)勵(lì)，對(duì)此作弊甚至直接拉黑處理
• 前提條件：如何找到作弊者呢？盡可能的減少人工審核投入，希望根據(jù)收集的大數(shù)據(jù)，建立數(shù)據(jù)模型，找出最可能有作弊嫌疑的用戶，再進(jìn)行人工復(fù)核。

再例如最常見(jiàn)的借貸APP，他們是對(duì)風(fēng)控系統(tǒng)依賴、專研最多的行業(yè)之一。

• 明確目的：把錢結(jié)給能還得起、且愿意還錢的人，從而保障本金成本少流失、利息收益最大化。
• 采取手段：鑒別貸款者的還款功能，對(duì)于還款能力低的人，授予額度低甚至不授予額度
• 前提條件：如何鑒別貸款者還款能力呢？根據(jù)收集的大數(shù)據(jù)、人行征信及其他第三方系統(tǒng)數(shù)據(jù)等，找出該用戶的收入能力、消費(fèi)能力、信用記錄等，從而評(píng)估該用戶：是否還得起、是否愿意還。

只有明確了需要風(fēng)控系統(tǒng)介入的目的，才能更好的進(jìn)行風(fēng)控模型、風(fēng)控舉措的設(shè)計(jì)，從而讓風(fēng)控系統(tǒng)的價(jià)值最大化。

三、風(fēng)控第二步：設(shè)計(jì)風(fēng)險(xiǎn)模型

風(fēng)險(xiǎn)模型用于評(píng)估風(fēng)控對(duì)象對(duì)于風(fēng)控目標(biāo)的風(fēng)險(xiǎn)程度，那要如何構(gòu)建風(fēng)險(xiǎn)模型呢？

首先我們要盡可能掌握風(fēng)控對(duì)象可能與風(fēng)控目標(biāo)有關(guān)聯(lián)的所有信息，然后評(píng)估這些信息的風(fēng)險(xiǎn)程度，不同的信息根據(jù)關(guān)聯(lián)程度不一樣，又會(huì)有不同的權(quán)重，最后加權(quán)計(jì)算就得出了風(fēng)控對(duì)象的風(fēng)險(xiǎn)系數(shù)。

結(jié)合實(shí)際例子理解：現(xiàn)在有一款產(chǎn)品，運(yùn)營(yíng)會(huì)創(chuàng)建一系列的指定地點(diǎn)打卡有獎(jiǎng)的任務(wù)，用戶領(lǐng)取任務(wù)后，在對(duì)應(yīng)地點(diǎn)完成打卡，即可獲得一定的獎(jiǎng)勵(lì)。但是考慮到運(yùn)營(yíng)獲得的地點(diǎn)信息不一定是準(zhǔn)確的，所以簽到地點(diǎn)允許有一定的距離誤差。

1. 業(yè)務(wù)流程梳理

我們對(duì)用戶獲得獎(jiǎng)勵(lì)的行為路徑進(jìn)行梳理：

2. 數(shù)據(jù)整理

我們將每個(gè)階段會(huì)產(chǎn)出的數(shù)據(jù)進(jìn)行梳理：

• 注冊(cè)：注冊(cè)時(shí)間/時(shí)長(zhǎng)、手機(jī)號(hào)碼（引申出運(yùn)營(yíng)商、號(hào)碼段、歸屬地等信息）、注冊(cè)IP（引申出ip歸屬地）
• 瀏覽：近3天、7天、14天、1個(gè)月、3個(gè)月、1年活躍程度，包括看了哪些頁(yè)面、訪問(wèn)頻率、一般什么時(shí)候看、訪問(wèn)地點(diǎn)（通過(guò)ip地址分析）、訪問(wèn)的設(shè)備信息（引申出設(shè)備型號(hào)、設(shè)備號(hào)、APP版本等）
• 實(shí)名認(rèn)證：姓名、性別、年齡、身份證號(hào)、戶籍所在地
• 銀行卡信息：卡號(hào)、卡戶行、開(kāi)戶地
• 領(lǐng)取任務(wù)：任務(wù)類型、創(chuàng)建時(shí)間、創(chuàng)建人、任務(wù)時(shí)間、任務(wù)地點(diǎn)、任務(wù)熱度（任務(wù)最大領(lǐng)取人數(shù)、任務(wù)已領(lǐng)取人數(shù)、任務(wù)PV/UV訪問(wèn)情況等）、任務(wù)獎(jiǎng)勵(lì)、領(lǐng)取時(shí)間、領(lǐng)取地點(diǎn)、領(lǐng)取設(shè)備等
• 打卡：打卡時(shí)間、打卡地點(diǎn)、照片質(zhì)量、備注質(zhì)量、打卡設(shè)備（手機(jī)型號(hào)、設(shè)備號(hào)、APP版本、IP地址、ip歸屬地）
• 獎(jiǎng)勵(lì)：已領(lǐng)取獎(jiǎng)勵(lì)、已提現(xiàn)獎(jiǎng)勵(lì)、領(lǐng)取次數(shù)、平均獎(jiǎng)勵(lì)金額、平均提取周期等

如果對(duì)這些數(shù)據(jù)，或其他業(yè)務(wù)流程中可以產(chǎn)出、依賴性強(qiáng)的數(shù)據(jù)沒(méi)埋點(diǎn)采集的話，還需要先完善埋點(diǎn)，確保盡可能的把數(shù)據(jù)采集全面。

3. 數(shù)據(jù)歸類

我們按照大名鼎鼎的5W1H對(duì)整個(gè)業(yè)務(wù)流程可以產(chǎn)出的數(shù)據(jù)做個(gè)歸類。

5W+1H：是對(duì)選定的項(xiàng)目、工序或操作，都要從原因（何因Why）、對(duì)象（何事What）、地點(diǎn)（何地Where）、時(shí)間（何時(shí)When）、人員（何人Who）、方法（何法How）等六個(gè)方面提出問(wèn)題進(jìn)行思考。

4. 風(fēng)險(xiǎn)關(guān)聯(lián)分析

我們對(duì)所有掌握的數(shù)據(jù)進(jìn)行歸類后，可以將該數(shù)據(jù)與預(yù)期風(fēng)險(xiǎn)進(jìn)行關(guān)聯(lián)分析，例如我們有那么多的地址信息，由于我們業(yè)務(wù)的特殊性，一般都是同城內(nèi)打卡，所以用戶注冊(cè)地、日常瀏覽的所在地、打卡地址，都應(yīng)該在本市，且打卡地點(diǎn)不出意外的話，都應(yīng)該距離設(shè)定的任務(wù)地址非常近。

諸如手機(jī)號(hào)歸屬地、銀行卡開(kāi)戶地、身份證歸屬地，這三者可能不是在本地也正常，如在老家辦的身份證、手機(jī)號(hào)、銀行卡等，但是這三者應(yīng)在省份層面，應(yīng)該有一致性趨勢(shì)，例如一個(gè)用戶身份證是郴州的，銀行卡是泉州開(kāi)的，手機(jī)號(hào)是衢州的，最后在宿州參加任務(wù)打卡，這風(fēng)險(xiǎn)就很大了。

由于我們業(yè)務(wù)的特性，一個(gè)打卡任務(wù)從發(fā)布到要求打卡完成，都不會(huì)超過(guò)1個(gè)月，且每次獎(jiǎng)勵(lì)都不多（不到百元），所以瀏覽頁(yè)面所在地點(diǎn)與實(shí)際打卡地點(diǎn)大概率應(yīng)該是在一個(gè)城市，臨近的城市都比較少，如果出現(xiàn)廣東省瀏覽了一個(gè)山東省的任務(wù)，最后打卡點(diǎn)是山東省，這風(fēng)險(xiǎn)也極大。

所以我們就可以列一下每個(gè)數(shù)據(jù)與最終風(fēng)險(xiǎn)的關(guān)聯(lián)系數(shù)。

5. 風(fēng)險(xiǎn)閾值設(shè)計(jì)

我們采用“可信度”計(jì)分，標(biāo)記為s，單項(xiàng)最高100分，最低0分。如果一項(xiàng)數(shù)據(jù)可信度越高，則分?jǐn)?shù)越高，相對(duì)而言風(fēng)險(xiǎn)程度就越低。

同時(shí)給每一項(xiàng)數(shù)據(jù)加一個(gè)權(quán)重值，標(biāo)記為w，為方便計(jì)算，需要讓w1+w2+…+wi=1，即所有權(quán)重相加等于100%。

最終可信度分?jǐn)?shù) = ∑ 單項(xiàng)分?jǐn)?shù)s x 單項(xiàng)權(quán)重w，可信度模式，也被稱之為健康分、健康度、信用分等。

（1）打卡地點(diǎn)，系數(shù)w假設(shè)為0.1

按要求就應(yīng)該在任務(wù)要求的地點(diǎn)附近，我們采用經(jīng)緯度距離計(jì)算的方式，判斷風(fēng)險(xiǎn)度：

• d（距離）<=50米：可信度極高，單項(xiàng)+100
• 50米 <= d < 200米：+80
• 200米 <= d < 500米：+60
• 500米 <= d < 1000米：+40
• 1000米 <= d < 5000米：+20
• d >= 5000米：+0

（2）打卡ip歸屬地，系數(shù)w假設(shè)為0.02

打卡ip歸屬地其實(shí)并不準(zhǔn)確，由于網(wǎng)絡(luò)運(yùn)營(yíng)商問(wèn)題或使用了虛擬專用網(wǎng)絡(luò)（Virtual Private Network），可能出現(xiàn)“漂移”，不過(guò)ip作弊難度相對(duì)于修改地址而言更難，所以還是有很大的價(jià)值。

• 打卡ip歸屬地與打卡地點(diǎn)一致在同一個(gè)城市，可以增加打卡的可信度，單項(xiàng)+100
• 不一致，單項(xiàng)+0

（3）其他ip歸屬地，系數(shù)w假設(shè)為0.03

注冊(cè)ip、瀏覽ip的歸屬地，和打卡ip有同樣的準(zhǔn)確性問(wèn)題，但是我們可以用離散度來(lái)衡量，一般情況，我們預(yù)期的用戶注冊(cè)ip、瀏覽ip與實(shí)際打卡ip都應(yīng)該是同一個(gè)城市的，所以我們可以取注冊(cè)ip歸屬地、最近3天使用最多的ip地址歸屬地（需要占瀏覽記錄的30%以上，如果沒(méi)有則為空）、最近7天使用對(duì)多的ip地址歸屬地（需要占50%，如果沒(méi)有則為空），與打卡地點(diǎn)進(jìn)行比對(duì)：

• 其中0個(gè)同一個(gè)市：+0
• 其中1個(gè)同一個(gè)市：+30
• 其中2個(gè)同一個(gè)市：+60
• 其中3個(gè)同一個(gè)市：+100

采用同樣的方法，我們可以對(duì)5W1H里面的每一項(xiàng)數(shù)據(jù)，都擬定一個(gè)權(quán)重、還有一套評(píng)分規(guī)則，就可以進(jìn)行所有人員的風(fēng)險(xiǎn)評(píng)估了。

6. 模型測(cè)算

當(dāng)我們梳理出所有風(fēng)險(xiǎn)相關(guān)的數(shù)據(jù)、擬定了權(quán)重、評(píng)分規(guī)則后，我們就完成了分析評(píng)估模型的初步設(shè)計(jì)，但是這個(gè)模型準(zhǔn)不準(zhǔn)，我們還需要進(jìn)行測(cè)算。

我們會(huì)從系統(tǒng)中隨機(jī)抽取一定數(shù)量的、包含了已知作弊記錄在內(nèi)的真實(shí)記錄，然后使用模型規(guī)則，算出可信度分?jǐn)?shù)，然后查看可信度分布情況：

• 已知的作弊記錄，是否多數(shù)分布于可信度低的區(qū)域。如果不在，查明是哪個(gè)指標(biāo)權(quán)重或計(jì)算規(guī)則導(dǎo)致的，調(diào)整對(duì)應(yīng)指標(biāo)權(quán)重、計(jì)算規(guī)則
• 其他可信度低，即風(fēng)險(xiǎn)高的記錄，人工核實(shí)是否真的作弊了，或者具有高作弊嫌疑。
• 根據(jù)業(yè)務(wù)特征和運(yùn)營(yíng)經(jīng)驗(yàn)，分析分?jǐn)?shù)分布情況是否符合預(yù)期的分布特征，如正態(tài)分布，即極高風(fēng)險(xiǎn)的和極低風(fēng)險(xiǎn)的應(yīng)該都在少數(shù)，大部分處于中間區(qū)間。
• 不斷優(yōu)化權(quán)重配置、計(jì)算規(guī)則、多抽樣幾批真實(shí)業(yè)務(wù)記錄進(jìn)行反復(fù)測(cè)算，提高模型的準(zhǔn)確性
• 總結(jié)不同可信度分值的分布區(qū)間特點(diǎn)，對(duì)記錄結(jié)果分類，如總分0-20為極危，20-40分為高危；40-60為低危；60-80為健康；80以上為優(yōu)秀。

目前我們的模型是根據(jù)最終打卡記錄來(lái)計(jì)算的，保障任務(wù)獎(jiǎng)勵(lì)的資金安全、發(fā)放給應(yīng)得的用戶。但是有時(shí)候我們可以會(huì)需要根據(jù)用戶的歷史記錄，來(lái)評(píng)估對(duì)用戶維度的可信度，用來(lái)在任務(wù)報(bào)名節(jié)點(diǎn)就過(guò)濾掉部分用戶，這時(shí)候可能就要建立新的模型進(jìn)行評(píng)估。

另外對(duì)于新用戶，沒(méi)有過(guò)多的數(shù)據(jù)時(shí)，可能就需要用更少的數(shù)據(jù)指標(biāo)，來(lái)建立用戶維度的可信度等。

四、風(fēng)控第三步：風(fēng)險(xiǎn)模型應(yīng)用

我們根據(jù)任務(wù)的獎(jiǎng)勵(lì)情況，任務(wù)獎(jiǎng)勵(lì)越多，那被刷、用戶作弊的風(fēng)險(xiǎn)就越大，可能造成平臺(tái)的損失就越大，所以對(duì)其打卡記錄，根據(jù)可信度，采用不同的策略，以實(shí)現(xiàn)減少人力成本投入、提高安全系數(shù)的目的。

到此，我們就完成了風(fēng)控系統(tǒng)的設(shè)計(jì)、應(yīng)用全流程。但是風(fēng)控模型不是一成不變的，是需要通過(guò)不斷積累的技術(shù)、數(shù)據(jù)，不斷迭代升級(jí)的：

• 隨著業(yè)務(wù)場(chǎng)景的拓展、技術(shù)的不斷更新，我們可能采集到更多維度的數(shù)據(jù)，用于升級(jí)風(fēng)控模型；
• 那些“免審核”的優(yōu)秀記錄記錄中，還是會(huì)隱藏著新的作弊手法、作弊風(fēng)險(xiǎn)，一旦被發(fā)現(xiàn)，我們也需要對(duì)風(fēng)控模型進(jìn)行更新，及時(shí)堵住漏洞，防止損失擴(kuò)大；
• 通過(guò)與第三方安全公司、風(fēng)控系統(tǒng)的合作，不斷完善風(fēng)控指標(biāo)

五、總結(jié)

萬(wàn)丈高樓平地起，5W1H作為我們?nèi)粘Ｉ?、工作中最?shí)用的方法論之一，對(duì)于基礎(chǔ)的風(fēng)控模型設(shè)計(jì)也一樣適用，通過(guò)一定的分類，把雜亂無(wú)章的線索整理歸類，讓其特征得以顯現(xiàn)。

實(shí)際生產(chǎn)實(shí)踐過(guò)程中，由于法律法規(guī)要求、用戶體驗(yàn)需要等，可能還未必能采集到那么豐富的數(shù)據(jù)；另外所需要面對(duì)的業(yè)務(wù)，復(fù)雜度也可能高得多，很多風(fēng)險(xiǎn)隱患可能深藏于錯(cuò)綜復(fù)雜的業(yè)務(wù)流中，不容易被察覺(jué)。此時(shí)我們就需要設(shè)計(jì)更復(fù)雜的風(fēng)控模型，如通過(guò)灰色關(guān)聯(lián)分析來(lái)設(shè)計(jì)權(quán)重、使用機(jī)器學(xué)習(xí)來(lái)識(shí)別風(fēng)險(xiǎn)等等，路漫漫其修遠(yuǎn)兮，吾將上下而求索。

文：iCheer，公眾號(hào)：云主子，房地產(chǎn)/物業(yè)行業(yè)產(chǎn)品經(jīng)理，Python編程愛(ài)好者，養(yǎng)貓發(fā)燒友。