中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

最近工作有點心情抑郁的我，來擼幾個文吧。如果有不對的地方請各位勿噴，只是經驗之談。本期只針對風控做個概述，初步的認識，后續會進行從產品到策略上的深度解析。

風控對于很多人來說覺得很高大上，其實是挺高大上的，但也不是那么難的。很多人問我，是不是我得會建模？邏輯回歸、決策樹、機器學習、NPL等等，聽起來是聽厲害的，我看也是又會這又會那是挺厲害的，其實，很多事情并不難，且聽我一一道來。

其實風控分幾種，分別是風控產品、風控策略、風控建模。沒錯，不是每個風控人員都會建模，其實大部分人只是會SQL語句，找到維度共性，在讓專業做模型的同學去完成后面的操作，不過是用Logistic還是用什么，不過風控現在比較常用的是Logistic和Decision Tree以及分類算法。

那么，機器學習是什么？作用是什么？其實主要是喂養數據，調整模型的，風控看的比較多的是KS值，和AUC以及其他的一些值。

大體簡單介紹下這兩個值，KS值主要是為了區分數據樣本在模型的正負關系（也就是好壞程度），主要是這個圖是個曲線，對于風控來說，如果數據樣本呈正態分布是一個好現象。所以，KS其實也是區分這個曲線的正太分布情況的，取值是在0~1區間，數值越大，就可以說樣本分的過開，可能樣本不是很好（或者模型不好）。當然，KS只是代表模型的分隔能力，并不代表正確。

（來自網絡圖片）

那么，AUC是什么呢？其實也是跟ks差不多的一個分值器，用以區分好壞樣本，是ROC曲線的概率區域。AUC值越大，證明該算法在正負樣本內有更好的分類。

（來自網絡圖片）

好了，這個其實不懂也沒關系，作為風控產品，模型還是交給專業的人士去做吧~

那么言歸正傳，風控產品需要懂什么呢？首先，我們要明白這個風控是給什么公司做的，傳統的金融機構比如銀行、證券公司我就不說了，因為他們的風控早些年還是通過評分卡進行打分，并且都是通過專業的風控、信審人員去線下核對的，此外再加上央行報告，所以逾期率比較低。這里介紹的風控主要是針對大數據風控的。

大數據風控（主要針對金融行業，如果是其他行業的我以后會說），顧名思義得有大數據，很多公司沒有咋辦？當然是采購，市面上很多數據公司，數據公司的選擇自己評估吧。我只是大概說下一般需要什么類型的數據：

1. 身份認證類（比如三要素、四要素等）
2. 反欺詐類（如運營商信息等）
3. 名單核驗類（黑白灰名單、司法等）
4. 第三方評分類（可有可無，主要針對自己模型沒有建立的）

基本用戶進件后風控流程如下所示：

當然根據公司場景還會增加，反欺詐除了運營商的數據類型以外，其實更多的是通過手機設備指紋收集的用戶的一些操作行為數據，進行反欺詐規則的設置分析。

這又不得不說到風控的本質了，風控的本質其實就是區分用戶是好人還是壞人、是人還是機器人。在風控策略設置上只要緊扣這2點就行。

那么針對一個系統，整體流程是怎么樣的呢？如下圖所示（只是個大概）

主要風控，是一個選件的過程，通過內置一些風控規則和數據支持，通過計算機更好的區分這個用戶是否是好人、是否是人，是否能還款、有沒有還款能力這幾件事，來幫助金融類公司進行更好的借貸、分期等消費分期行為。

具體的風控策略設置、風控系統搭建會在以后介紹，本期內容就到此為止，如有問題歡迎指正。

作者：呆懶龍，呆懶龍（公眾號lazy_word懶癌患者拯救世界），3年經驗帝都產品狗，歡迎來撩

本文由 @呆懶龍 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