建站
咨詢(xún)
售后
建站咨詢(xún)
新聞中心
接上一篇支付風(fēng)控?cái)?shù)據(jù)倉(cāng)庫(kù)建設(shè)。支付風(fēng)控涉及到多方面的內(nèi)容，包括反洗錢(qián)、反欺詐、客戶(hù)風(fēng)險(xiǎn)等級(jí)分類(lèi)管理等。 其中最核心的功能在于對(duì)實(shí)時(shí)交易進(jìn)行風(fēng)險(xiǎn)評(píng)估，或者說(shuō)是欺詐檢測(cè)。如果這個(gè)交易的風(fēng)險(xiǎn)太高，則會(huì)執(zhí)行攔截。由于反欺詐檢測(cè)是在交易時(shí)實(shí)時(shí)進(jìn)行的，在要求不能誤攔截的同時(shí)，還有用戶(hù)體驗(yàn)上的要求，即不能占用太多時(shí)間，一般要求風(fēng)控操作必須控制在100ms以?xún)?nèi)，對(duì)于交易量大的業(yè)務(wù)，10ms甚至更低的性能要求都是必須的。 這就需要對(duì)風(fēng)控模型進(jìn)行合理的設(shè)計(jì)。一般來(lái)說(shuō)，要提升風(fēng)控的攔截效率，就需要考慮更多的維度，但這也會(huì)帶來(lái)計(jì)算性能的下降。在效率和性能之間需要進(jìn)行平衡。
成都創(chuàng)新互聯(lián)專(zhuān)注于綏棱企業(yè)網(wǎng)站建設(shè),自適應(yīng)網(wǎng)站建設(shè),商城網(wǎng)站制作。綏棱網(wǎng)站建設(shè)公司,為綏棱等地區(qū)提供建站服務(wù)。全流程按需搭建網(wǎng)站，專(zhuān)業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，成都創(chuàng)新互聯(lián)專(zhuān)業(yè)和態(tài)度為您提供的服務(wù)
本文重在介紹建立風(fēng)控模型的方法，每個(gè)公司應(yīng)該根據(jù)自己的實(shí)際業(yè)務(wù)情況和開(kāi)發(fā)能力來(lái)選擇合適的模型。這里列出來(lái)的模型僅為了說(shuō)明問(wèn)題，提供參考。
一、風(fēng)險(xiǎn)等級(jí)
做風(fēng)控?cái)r截，首先要回答的問(wèn)題是風(fēng)險(xiǎn)等級(jí)怎么劃分? 目前主流的風(fēng)險(xiǎn)等級(jí)劃分有三種方式， 三等級(jí)、四等級(jí)、五等級(jí)。
- 三等級(jí)的風(fēng)險(xiǎn)分為 低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)。 大部分交易是低風(fēng)險(xiǎn)的，不需要攔截直接放行。 中風(fēng)險(xiǎn)的交易是需要進(jìn)行增強(qiáng)驗(yàn)證，確認(rèn)是本人操作后放行。 高風(fēng)險(xiǎn)的交易則直接攔截。
- 四風(fēng)險(xiǎn)等級(jí)，會(huì)增加一個(gè)中高風(fēng)險(xiǎn)等級(jí)。此類(lèi)交易在用戶(hù)完成增強(qiáng)驗(yàn)證后，還需要管理人員人工核實(shí)，核實(shí)沒(méi)問(wèn)題后，交易才能放行。
- 五風(fēng)險(xiǎn)等級(jí)，會(huì)增加一個(gè)中低風(fēng)險(xiǎn)等級(jí)。此類(lèi)交易是先放行，但是管理人員需要進(jìn)行事后核實(shí)。 如果核實(shí)有問(wèn)題，通過(guò)人工方式執(zhí)行退款，或者提升該用戶(hù)的風(fēng)險(xiǎn)等級(jí)。
大部分支付系統(tǒng)是使用三等級(jí)的風(fēng)險(xiǎn)。
二、基于規(guī)則的風(fēng)控
規(guī)則是最常用的，也是相對(duì)來(lái)說(shuō)比較容易上手的風(fēng)控模型。從現(xiàn)實(shí)情況中總結(jié)出一些經(jīng)驗(yàn)，結(jié)合名單數(shù)據(jù)，制定風(fēng)控規(guī)則，簡(jiǎn)單，有效。 常見(jiàn)的規(guī)則有：
1. 名單規(guī)則
使用白名單或者黑名單來(lái)設(shè)置規(guī)則。具體名單如上文所述，包括用戶(hù)ID、IP地址、設(shè)備ID、地區(qū)、公檢法協(xié)查等。 比如：
- 用戶(hù)ID是在風(fēng)控黑名單中。
- 用戶(hù)身份證號(hào)在反洗錢(qián)黑名單中。
- 用戶(hù)身份證號(hào)在公檢法協(xié)查名單中。
- 用戶(hù)所使用的手機(jī)號(hào)在羊毛號(hào)名單列表中。
- 轉(zhuǎn)賬用戶(hù)所在地區(qū)是聯(lián)合國(guó)反洗錢(qián)風(fēng)險(xiǎn)警示地區(qū)。
2. 操作規(guī)則
對(duì)支付、提現(xiàn)、充值的頻率按照用戶(hù)賬號(hào)、IP、設(shè)備等進(jìn)行限制，一旦超出閾值，則提升風(fēng)控等級(jí)。
- 頻率需綜合考慮(五)分鐘、(一)小時(shí)、(一)天、(一)周等維度的數(shù)據(jù)。由于一般計(jì)算頻率是按照自然時(shí)間段來(lái)進(jìn)行的，所以如果用戶(hù)的操作是跨時(shí)間段的，則會(huì)出現(xiàn)頻率限制失效的情況。 當(dāng)然，比較復(fù)雜的可以用滑窗來(lái)做。
- 對(duì)不同的風(fēng)險(xiǎn)等級(jí)設(shè)置不同的閾值。 比如：
- 用戶(hù)提現(xiàn)頻次5分鐘不能超過(guò)2次， 一小時(shí)不能超過(guò)5次，一天不能超過(guò)10次。
- 用戶(hù)提現(xiàn)額度一天不能超過(guò)1萬(wàn)。
- 用戶(hù)支付頻次5分鐘不能超過(guò)2次，一小時(shí)不能超過(guò)10次，一天不能超過(guò)100次。
3. 業(yè)務(wù)規(guī)則
和特定各業(yè)務(wù)相關(guān)的一些規(guī)則，比如：
- 同一個(gè)人綁定銀行卡張數(shù)超過(guò)10張。
- 同一張銀行卡被超過(guò)5個(gè)人綁定。
- 同一個(gè)手機(jī)號(hào)被5個(gè)人綁定。
- 一個(gè)周內(nèi)手機(jī)號(hào)變更超過(guò)4次。
- 同一個(gè)對(duì)私銀行卡接受轉(zhuǎn)賬次數(shù)一分鐘超過(guò)5次。
4. 行為異常
用戶(hù)行為和以前的表現(xiàn)不一致，比如：
- 用戶(hù)支付地點(diǎn)與常用登錄地點(diǎn)不一致
- 用戶(hù)支付使用個(gè)IP與常用IP地址不一致
- 用戶(hù)在短時(shí)間內(nèi)，上一次支付的地址和本次支付的地址距離非常遠(yuǎn)。 比如2分鐘前在中國(guó)支付的，2分鐘后跑到美國(guó)去支付了。
5. 風(fēng)控?cái)r截歷史規(guī)則
用戶(hù)在某個(gè)業(yè)務(wù)上的消費(fèi)行為被風(fēng)控網(wǎng)關(guān)多次攔截。
規(guī)則引擎優(yōu)點(diǎn)：
- 性能高： 對(duì)訂單按照規(guī)則進(jìn)行匹配，輸出結(jié)果。一般不會(huì)涉及到復(fù)雜的計(jì)算。
- 易于理解和分析： 交易被攔截到底是觸犯了那條規(guī)則，很容易輸出。
- 開(kāi)發(fā)相對(duì)簡(jiǎn)單。
規(guī)則引擎存在的問(wèn)題：
- 一刀切，容易被薅羊毛的人嗅探到。比如規(guī)則規(guī)定超過(guò)5000元就進(jìn)行攔截，那羊毛號(hào)會(huì)把訂單拆分成4999元來(lái)做。 一天限制10筆，那就薅到9筆就停手了。
- 規(guī)則沖突問(wèn)題。當(dāng)一筆交易命中IP白名單和額度黑名單的時(shí)候應(yīng)該如何處理?
規(guī)則引擎看起來(lái)簡(jiǎn)單，但也是最實(shí)用的一類(lèi)模型。 它是其它風(fēng)控模型的基礎(chǔ)。實(shí)踐中，首先使用已知的規(guī)則來(lái)發(fā)現(xiàn)存在問(wèn)題的交易，人工識(shí)別交易的風(fēng)險(xiǎn)等級(jí)后，把這些交易作為其它有監(jiān)督學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集。
三、決策樹(shù)模型
風(fēng)險(xiǎn)評(píng)估從本質(zhì)上來(lái)說(shuō)是一個(gè)數(shù)據(jù)分類(lèi)問(wèn)題。 和傳統(tǒng)的金融行業(yè)風(fēng)險(xiǎn)評(píng)估不一樣的地方，在于數(shù)據(jù)規(guī)模大、業(yè)務(wù)變化快、實(shí)時(shí)要求高。一旦有漏洞被發(fā)現(xiàn)，會(huì)對(duì)公司造成巨大損失。 而機(jī)器學(xué)習(xí)是解決這些問(wèn)題的利器。 互聯(lián)網(wǎng)金融風(fēng)控離不開(kāi)機(jī)器學(xué)習(xí)，特別是支付風(fēng)控。 在各種支付風(fēng)控模型中，決策樹(shù)模式是相對(duì)比較簡(jiǎn)單易用的模型。 如下的決策樹(shù)模型，我們根據(jù)已有的數(shù)據(jù)，分析數(shù)據(jù)特征，構(gòu)建出一顆決策樹(shù)。當(dāng)有一筆交易發(fā)生時(shí)，我們使用決策樹(shù)來(lái)判斷這筆交易是否是高風(fēng)險(xiǎn)交易。
這種模型的優(yōu)點(diǎn)是非常容易理解，檢測(cè)速度快。 因而也是現(xiàn)有機(jī)構(gòu)中常用的模型之一。 風(fēng)控模型存在的主要問(wèn)題是其產(chǎn)生的結(jié)果比較粗略。同樣的兩個(gè)交易被判定為高風(fēng)險(xiǎn)，究竟哪種交易風(fēng)險(xiǎn)更高，決策樹(shù)模型無(wú)法給出答案。
四、評(píng)分模型
比決策樹(shù)模型更進(jìn)一步，現(xiàn)在也有不少公司在使用評(píng)分(卡)模型。 銀行在處理信用風(fēng)險(xiǎn)評(píng)級(jí)、反洗錢(qián)風(fēng)險(xiǎn)等級(jí)時(shí)，往往也是使用這種方法。
每個(gè)公司的模型都不一樣，一個(gè)參考模型如下：
該模型為參考《金融機(jī)構(gòu)洗錢(qián)和恐怖融資風(fēng)險(xiǎn)評(píng)估及客戶(hù)分類(lèi)管理指引》編制，僅具參考意義。雖然銀行間的評(píng)分模型有很好的參考價(jià)值，但互聯(lián)網(wǎng)公司由于業(yè)務(wù)和數(shù)據(jù)的不同，評(píng)分模型參考價(jià)值不大。
每個(gè)公司需根據(jù)自己的業(yè)務(wù)情況來(lái)制定評(píng)分模型，之后為各個(gè)指標(biāo)指定權(quán)重比例。 權(quán)重評(píng)分結(jié)果為0~100分的區(qū)間，之后按照區(qū)間劃分，指定風(fēng)險(xiǎn)等級(jí)。比如：
當(dāng)然，評(píng)分區(qū)間也需要根據(jù)企業(yè)的實(shí)際情況來(lái)制定。 評(píng)分模型的優(yōu)勢(shì)在于：
性能比較高，針對(duì)交易進(jìn)行指標(biāo)計(jì)算，按照區(qū)間來(lái)確定風(fēng)險(xiǎn)。
相對(duì)于規(guī)則，如果指標(biāo)設(shè)置合理，其覆蓋度高， 不容易被嗅探到漏洞。
理解和分析也比較容易。 如果交易被攔截了，可以根據(jù)其各項(xiàng)打分評(píng)估其被攔截的原因。
存在的問(wèn)題：
- 模型真的很難建立。指標(biāo)的選擇是一個(gè)挑戰(zhàn)。
- 各個(gè)參數(shù)的調(diào)優(yōu)是一個(gè)長(zhǎng)期的過(guò)程。
我們知道從一條交易記錄中可以挖掘的關(guān)聯(lián)數(shù)據(jù)有上百個(gè)，衍生數(shù)據(jù)就更多了。比如從支付地址，可以聚類(lèi)出常用地址，衍生出當(dāng)前地址和常用地址、上一次支付地址之間的距離，而這些指標(biāo)在構(gòu)建模型時(shí)都可能使用到。 所以第一個(gè)問(wèn)題是，如何從這些指標(biāo)中建立一個(gè)合適的模型?這就涉及到機(jī)器學(xué)習(xí)的問(wèn)題了。 模型不能憑空建立，我們可以通過(guò)規(guī)則來(lái)對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行篩選和標(biāo)注，確定這些記錄集的風(fēng)險(xiǎn)等級(jí)。 這些數(shù)據(jù)作為樣本來(lái)訓(xùn)練模型?？捎玫乃惴òˋpriori、FP-growth等。算法實(shí)現(xiàn)請(qǐng)參考相關(guān)文檔。
在確認(rèn)相關(guān)參數(shù)后，模型在使用過(guò)程中還需要不斷對(duì)相關(guān)參數(shù)進(jìn)行調(diào)整。這是一個(gè)擬合或者回歸的算法，Logistic算法、CART算法，可以用來(lái)對(duì)參數(shù)做調(diào)優(yōu)。
總之，模型的建立是一個(gè)不斷學(xué)習(xí)、優(yōu)化的過(guò)程。 而每一個(gè)模型的發(fā)布，還需要進(jìn)行試運(yùn)行，AB測(cè)試和上線(xiàn)。 這個(gè)過(guò)程，將在下一篇的風(fēng)控架構(gòu)中介紹。
五、模型評(píng)估
風(fēng)控本質(zhì)上是對(duì)交易記錄的一個(gè)分類(lèi)，所以對(duì)風(fēng)控模型的評(píng)估，除了性能外，還需要評(píng)估“查全率”和“查準(zhǔn)率”。 如下圖所示：
以評(píng)估高風(fēng)險(xiǎn)人群的效果為例，
- Precision, 準(zhǔn)確率，也叫查準(zhǔn)率，指模型發(fā)現(xiàn)的真實(shí)的高風(fēng)險(xiǎn)人數(shù)占模型發(fā)現(xiàn)的所有高風(fēng)險(xiǎn)人數(shù)的比例。
- Recall，召回率，也叫查全率，指模型發(fā)現(xiàn)的真實(shí)的高風(fēng)險(xiǎn)人數(shù)占全部真實(shí)的高風(fēng)險(xiǎn)人數(shù)的比例。
理想情況下，我們希望這兩個(gè)指標(biāo)都要高。實(shí)際上，往往是互斥的，準(zhǔn)確率高、召回率就低，召回率低、準(zhǔn)確率高。如果兩者都低，那就是模型不靠譜了。 對(duì)于風(fēng)控來(lái)說(shuō)，需要在保證準(zhǔn)確率的情況下，盡量提高召回率。 那怎么發(fā)現(xiàn)實(shí)際的高風(fēng)險(xiǎn)人數(shù)呢? 這就需要借助規(guī)則模型，先過(guò)濾一遍，再?gòu)闹腥斯ゅ噙x。
從實(shí)際應(yīng)用情況來(lái)看，目前國(guó)內(nèi)大部分團(tuán)隊(duì)使用Logistic回歸+評(píng)分模型來(lái)做風(fēng)控，少數(shù)人使用決策樹(shù)。國(guó)外的PayPal是支付平臺(tái)風(fēng)控的標(biāo)桿，國(guó)內(nèi)前海征信、螞蟻金服等會(huì)使用到更高級(jí)的神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)，但實(shí)際效果未見(jiàn)到實(shí)證材料。
【本文為專(zhuān)欄作者“鳳凰牌老熊”的原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)通過(guò)微信公眾號(hào)“鳳凰牌老熊”聯(lián)系作者本人】
戳這里，看該作者更多好文
分享文章：支付風(fēng)控之模型分析
當(dāng)前鏈接：http://m.5511xx.com/article/cdcedps.html
