編輯導語：相信有很多小伙伴都想了解如何學習風控系統設計，這篇文章作者詳細闡述了如何從5W1H起入門風控系統設計，內容通俗易懂，感興趣的小伙伴一起來看看吧。

一、什么是風控

場景1：一位跟你從小玩到大，而且一直都有聯系、有故事的好朋友，突然說家里有啥事，想問你借一筆錢，一想到好朋友有困難，你可能會當仁不讓的出手相助，甚至什么時候還都沒問，就把錢借出去了。

場景2：某天你突然接到一個，來自十余年沒回過的老家的陌生號碼的電話，電話那頭，是一副你完全陌生的嗓音，搭配咄咄逼人的語氣，說道：xxx啊，我是你小學同學某某某，我現在很缺錢，想要借五千塊錢。但是你想了一會兒，可能都記不起這個同學的模樣，甚至懷疑到底有沒有這個同學。此時你大概率會認為是詐騙電話，臭罵騙子一通，然后把電話掛了。

在這些很常見的場景中，我們其實就完成了一次又一次完整的風控過程：

• 畫像分析與風險評估：通過對借款人的背景信息評估，好朋友的往事信手拈來，家庭背景、償還能力、近況都很清晰，風險系數低；默認的同學，背景信息缺乏、近況完全未知、償還能力未知，風險系數極高。
• 風險措施：風險系數低的朋友，放款快、額度高、還款周期寬松；風險系數高的同學，要是再來電話，得問清楚家庭關系、地址、原因、目前從事的工作類型、工作單位及地點等信息，就算有別的認識的同學擔保，也要打個借條明確還款時間、逾期懲罰，如果哪點做不到或者內容含糊不清，一概拒絕借錢。

風險控制的目的：就是在自我利益最大化的前提下，采用各種舉措，減少風險事件的發生，或者減少風險造成的損失。

二、風控第一步：明確利益

風控的前提是，保障自己的利益，如果不需要保障自己的利益，那也就沒必要風控了，就像電影《西虹市首富》，王多魚的投資策略就是，投資的事情最好越離譜越好，無償的為大家的夢想買單，這種情況下，風控就完全多余的。

但現實生活中，一個系統、一款產品，都需要考慮風控這件事了，那必然是出于某個目的、某種利益驅動的。免費的APP希望屏蔽爬蟲，節省服務器流量；收費的APP希望屏蔽羊毛黨，減少損失、增加利潤……

明確風控的目的，是設計風控系統的第一要務，現在我們有個系統，用戶通過在指定地點簽到完成任務，累計一定數量，就可以兌換獎勵，那我們風控的目的，是不想獎勵給那些作弊的人，把獎勵真正給到那些真實完成任務的人，從而激勵大家更積極、認真的參與任務。

• 明確目的：減少獎勵損失、讓獎勵給到真正參與的人
• 采取手段：找到作弊者，然后拒絕發放獎勵，對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，希望根據收集的大數據，建立數據模型，找出最可能有作弊嫌疑的用戶，再進行人工復核。

再例如最常見的借貸APP，他們是對風控系統依賴、專研最多的行業之一。

• 明確目的：把錢結給能還得起、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？根據收集的大數據、人行征信及其他第三方系統數據等，找出該用戶的收入能力、消費能力、信用記錄等，從而評估該用戶：是否還得起、是否愿意還。

只有明確了需要風控系統介入的目的，才能更好的進行風控模型、風控舉措的設計，從而讓風控系統的價值最大化。

三、風控第二步：設計風險模型

風險模型用于評估風控對象對于風控目標的風險程度，那要如何構建風險模型呢？

首先我們要盡可能掌握風控對象可能與風控目標有關聯的所有信息，然后評估這些信息的風險程度，不同的信息根據關聯程度不一樣，又會有不同的權重，最后加權計算就得出了風控對象的風險系數。

結合實際例子理解：現在有一款產品，運營會創建一系列的指定地點打卡有獎的任務，用戶領取任務后，在對應地點完成打卡，即可獲得一定的獎勵。但是考慮到運營獲得的地點信息不一定是準確的，所以簽到地點允許有一定的距離誤差。

1. 業務流程梳理

我們對用戶獲得獎勵的行為路徑進行梳理：

2. 數據整理

我們將每個階段會產出的數據進行梳理：

• 注冊：注冊時間/時長、手機號碼（引申出運營商、號碼段、歸屬地等信息）、注冊IP（引申出ip歸屬地）
• 瀏覽：近3天、7天、14天、1個月、3個月、1年活躍程度，包括看了哪些頁面、訪問頻率、一般什么時候看、訪問地點（通過ip地址分析）、訪問的設備信息（引申出設備型號、設備號、APP版本等）
• 實名認證：姓名、性別、年齡、身份證號、戶籍所在地
• 銀行卡信息：卡號、卡戶行、開戶地
• 領取任務：任務類型、創建時間、創建人、任務時間、任務地點、任務熱度（任務最大領取人數、任務已領取人數、任務PV/UV訪問情況等）、任務獎勵、領取時間、領取地點、領取設備等
• 打卡：打卡時間、打卡地點、照片質量、備注質量、打卡設備（手機型號、設備號、APP版本、IP地址、ip歸屬地）
• 獎勵：已領取獎勵、已提現獎勵、領取次數、平均獎勵金額、平均提取周期等

如果對這些數據，或其他業務流程中可以產出、依賴性強的數據沒埋點采集的話，還需要先完善埋點，確保盡可能的把數據采集全面。

3. 數據歸類

我們按照大名鼎鼎的5W1H對整個業務流程可以產出的數據做個歸類。

5W+1H：是對選定的項目、工序或操作，都要從原因（何因Why）、對象（何事What）、地點（何地Where）、時間（何時When）、人員（何人Who）、方法（何法How）等六個方面提出問題進行思考。

4. 風險關聯分析

我們對所有掌握的數據進行歸類后，可以將該數據與預期風險進行關聯分析，例如我們有那么多的地址信息，由于我們業務的特殊性，一般都是同城內打卡，所以用戶注冊地、日常瀏覽的所在地、打卡地址，都應該在本市，且打卡地點不出意外的話，都應該距離設定的任務地址非常近。

諸如手機號歸屬地、銀行卡開戶地、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、手機號、銀行卡等，但是這三者應在省份層面，應該有一致性趨勢，例如一個用戶身份證是郴州的，銀行卡是泉州開的，手機號是衢州的，最后在宿州參加任務打卡，這風險就很大了。

由于我們業務的特性，一個打卡任務從發布到要求打卡完成，都不會超過1個月，且每次獎勵都不多（不到百元），所以瀏覽頁面所在地點與實際打卡地點大概率應該是在一個城市，臨近的城市都比較少，如果出現廣東省瀏覽了一個山東省的任務，最后打卡點是山東省，這風險也極大。

所以我們就可以列一下每個數據與最終風險的關聯系數。

5. 風險閾值設計

我們采用“可信度”計分，標記為s，單項最高100分，最低0分。如果一項數據可信度越高，則分數越高，相對而言風險程度就越低。

同時給每一項數據加一個權重值，標記為w，為方便計算，需要讓w1+w2+…+wi=1，即所有權重相加等于100%。

最終可信度分數 =?∑ 單項分數s x 單項權重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，系數w假設為0.1

按要求就應該在任務要求的地點附近，我們采用經緯度距離計算的方式，判斷風險度：

• d（距離）<=50米：可信度極高，單項+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w假設為0.02

打卡ip歸屬地其實并不準確，由于網絡運營商問題或使用了虛擬專用網絡（Virtual Private Network），可能出現“漂移”，不過ip作弊難度相對于修改地址而言更難，所以還是有很大的價值。

• 打卡ip歸屬地與打卡地點一致在同一個城市，可以增加打卡的可信度，單項+100
• 不一致，單項+0

（3）其他ip歸屬地，系數w假設為0.03

注冊ip、瀏覽ip的歸屬地，和打卡ip有同樣的準確性問題，但是我們可以用離散度來衡量，一般情況，我們預期的用戶注冊ip、瀏覽ip與實際打卡ip都應該是同一個城市的，所以我們可以取注冊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，如果沒有則為空）、最近7天使用對多的ip地址歸屬地（需要占50%，如果沒有則為空），與打卡地點進行比對：

• 其中0個同一個市：+0
• 其中1個同一個市：+30
• 其中2個同一個市：+60
• 其中3個同一個市：+100

采用同樣的方法，我們可以對5W1H里面的每一項數據，都擬定一個權重、還有一套評分規則，就可以進行所有人員的風險評估了。

6. 模型測算

當我們梳理出所有風險相關的數據、擬定了權重、評分規則后，我們就完成了分析評估模型的初步設計，但是這個模型準不準，我們還需要進行測算。

我們會從系統中隨機抽取一定數量的、包含了已知作弊記錄在內的真實記錄，然后使用模型規則，算出可信度分數，然后查看可信度分布情況：

• 已知的作弊記錄，是否多數分布于可信度低的區域。如果不在，查明是哪個指標權重或計算規則導致的，調整對應指標權重、計算規則
• 其他可信度低，即風險高的記錄，人工核實是否真的作弊了，或者具有高作弊嫌疑。
• 根據業務特征和運營經驗，分析分數分布情況是否符合預期的分布特征，如正態分布，即極高風險的和極低風險的應該都在少數，大部分處于中間區間。
• 不斷優化權重配置、計算規則、多抽樣幾批真實業務記錄進行反復測算，提高模型的準確性
• 總結不同可信度分值的分布區間特點，對記錄結果分類，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以上為優秀。

目前我們的模型是根據最終打卡記錄來計算的，保障任務獎勵的資金安全、發放給應得的用戶。但是有時候我們可以會需要根據用戶的歷史記錄，來評估對用戶維度的可信度，用來在任務報名節點就過濾掉部分用戶，這時候可能就要建立新的模型進行評估。

另外對于新用戶，沒有過多的數據時，可能就需要用更少的數據指標，來建立用戶維度的可信度等。

四、風控第三步：風險模型應用

我們根據任務的獎勵情況，任務獎勵越多，那被刷、用戶作弊的風險就越大，可能造成平臺的損失就越大，所以對其打卡記錄，根據可信度，采用不同的策略，以實現減少人力成本投入、提高安全系數的目的。

到此，我們就完成了風控系統的設計、應用全流程。但是風控模型不是一成不變的，是需要通過不斷積累的技術、數據，不斷迭代升級的：

• 隨著業務場景的拓展、技術的不斷更新，我們可能采集到更多維度的數據，用于升級風控模型；
• 那些“免審核”的優秀記錄記錄中，還是會隱藏著新的作弊手法、作弊風險，一旦被發現，我們也需要對風控模型進行更新，及時堵住漏洞，防止損失擴大；
• 通過與第三方安全公司、風控系統的合作，不斷完善風控指標

五、總結

萬丈高樓平地起，5W1H作為我們日常生活、工作中最實用的方法論之一，對于基礎的風控模型設計也一樣適用，通過一定的分類，把雜亂無章的線索整理歸類，讓其特征得以顯現。

實際生產實踐過程中，由于法律法規要求、用戶體驗需要等，可能還未必能采集到那么豐富的數據；另外所需要面對的業務，復雜度也可能高得多，很多風險隱患可能深藏于錯綜復雜的業務流中，不容易被察覺。此時我們就需要設計更復雜的風控模型，如通過灰色關聯分析來設計權重、使用機器學習來識別風險等等，路漫漫其修遠兮，吾將上下而求索。

#專欄作家#

iCheer，公眾號：云主子，人人都是產品經理專欄作家。房地產/物業行業產品經理，Python編程愛好者，養貓發燒友。

本文原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議