繼上一系列的姊妹篇《風控規則類型策略淺析（認知）》，這篇定位是關于金融+風控類的認知。

總的來說，這篇主要想說明的是幾個認知上的東西：

• 一是了解風控中金融常見業務規則的類型（大概有個認知即可）；
• 二是了解對應架構是如何的（以攜程為例，簡單了解即可）；
• 三是對一些金融中常用的策略模型算法解釋，這部分是重點重點（金融風控玩的就是策略+模型）。這幾個都是以實踐通用去說，以金融風控PM的角度去看，并且以OTA產品，以攜程或者螞蟻金融風控為例加強認知。

（如唯品會金融的唯品花，攜程金融的拿去花，螞蟻支付寶的花唄等服務，其實在金融中既屬于業務也屬于理財或者消費產品，對于風控+金融類PM，這些是他們落地實踐和應用的產品對象。）

補充1，關于風控：

風控策略通常會包含很多種類型的規則，每個規則都是結合產品、業務基于經驗和數據分析產生出來的。所以，用于區分線上交易中產生的針對不同場景的問題交易，包括欺詐，洗錢，賬戶盜用等等。那么，這里的策略更多地會結合用戶體驗和業務來平衡損失跟業務發展的關系，不同企業應該根據自身的業務情況選擇適合的策略體系。

補充2：關于風控PM（面試或者書面背景，比較常用到）：

風控是一個對抗性很強的工作，風控PM是一個很nice（耐撕）的人。

當你有了比較強的防御措施之后，敵人（對不起，其實不應該說敵人，應該說黑產或者“平臺不喜歡的用戶”，但如果你在“風控類PM”的面試時，如果說“敵人”，可能會引起共鳴加分喲）就會知道他們的某些行為觸犯風控規則，此時他們不會無謂地嘗試浪費手里的資源。

目前黑產非常龐大，他們可能擁有比風控策略還要全的一套流程和資源。

這要求風控策略要不斷的更新升級，而且監控、回顧和分析歷史規則是一項基本的風控工作，那么，PM必須要及時地更新策略以及策略的玩法，保證你所負責產品范圍的風控策略的靈活性。

總的來說，風控類PM要記住的一個很關鍵的點，其實也挺有意思——就是我們做PM，往往都說用戶是上帝，尤其對于C端要和用戶做朋友，他們所想所需你應該要滿足，同理B端也是大概如此，只是用戶不是個人可能是企業可能是內部某群體。

但是，風控PM則不同，你的落地所面向的用戶，其實看起來是用戶，但其實不是真正的用戶，或者理解不是一個符合你產品業務、公司行業規則的正常用戶，而是敵人。

所以你這個對待“用戶”的關系要調整，你可以換位思考可以用同理心，但是你的取向更多是對抗性質，就如同我為什么第一句就是說風控本質就是一個對抗。畢竟你的所研究用戶化對象是一群善于偽裝，不斷調整和改進，想盡辦法模仿成正常人，享受著與風控對抗并獲利的一群人，所以風控策略PM也是無時無刻不在攻防呀~

另外，如果對風控或者風控PM不是很了解的，強烈建議先看：《風控規則類型策略淺析（認知）》

目錄：

一、先說下風控金融的基本業務和風控規則

（1）風控金融所針對的業務

（2）金融的主流風控規則和體系（干貨+認知）

二、再談談系統層面的架構（上下游、中臺、支撐層面）

（1）中臺

（2）風控產品系統架構

三、最后談金融風控——策略模型

（1）金融風控模型體系的認知

（2）金融風控的模型評分標準

1、A卡

2、B卡

3、C卡

（3）重要金融風控策略模型1：A卡（貸前信用風險模型）

1、PM要分析會遇到的風險問題

2、模型舉例分析

（4）重要金融風控策略模型2：B卡（貸中反欺詐模型）

（5）新穎金融風控策略模型：社交網絡在風控模型中的應用

四、沒有小結的總結

一、先說下風控金融的基本業務和風控規則

1. 風控金融所針對的業務

一般來說，目前比較大和成熟的金融產品，其實都屬于消費金融。他們的一些業務、產品，就是如：

• 消費分期（如唯品會的唯品會、唯品貸、支付寶的花唄、攜程金融拿去花、京東白條等等）；
• 現金分期（如螞蟻的借唄、攜程金融的借去花、京東金條..）；
• 理財產品（銀行產品or第三方合作）
• 信用卡（銀行合作、自家網上銀行）；
• 供應鏈金融（上下游業務合作、銀行合作）。

其實金融如同商品可以很靈活，業務驅動導致產品不同，很多很多分類列不完的，但比較常見和主流就是以上這些，也是大部分用戶所玩的產品，業務盈利來源。

2. 金融的主流風控規則和體系（干貨+認知）

金融是很大的，本篇內容只針對互聯網金融來看，即是消費金融，如螞蟻金融，支付寶，美團金融，JD金融，攜程金融等等都是。

這類消費金融的風控，主要是針對“風險”的預測、審判。

就是說更多是：有無資格呀？能過審判嗎？會不會欺詐呀？會不會延遲還款呀？會不會違約呀？

大白話，就是你要借錢給某人，你會怎樣思考和怎樣做？ （比較粗暴可以這樣理解）

整個金融風控，大的來說就是抵御風險，而PM就是要設計一些規則應用到模型中來幫助抵御風險。

所以，金融風控即抵御風險，金融風控更多最后是要建立某個風險體系，或者說基于不同業務所應用不同風險模型得出的等級效果估算?！救绻鸓M面試相關的，這話可以作為觀點，作為思考輸出】

補充：干貨

這類消費金融的風險大體可分為：可控風險、不可控風險。

（圖片有問題失真了，在底部圈住的文字，就是我下面書寫的文字點，比如….）

• 算法能解決的主要是可控風險：比如欺詐風險、信用風險及作業風險；其中，欺詐風險指的是客戶在發起借款請求時即無意還款，按照人數可以分為團伙欺詐和個人欺詐，欺詐者往往通過偽造身份信息、聯系方式信息、設備信息、資產信息等方式實施欺詐。
• 信用風險：指的是借款人因各種原因未能及時、足額償還債務或銀行貸款而違約的可能性。（比如市場風險、實質風險及名義風險、政府“紅、黑名單”征信制度等）

所以這里綜合小結一下，金融風控中，模型占據很高的地位，大廠都是玩這個。

所以接下來在第三部分會重點談。（第二部分接下來是一些基礎的系統和產品層面的架構介紹，以攜程OTA為例、并且介紹下最近很熱的“中臺”）

二、再談談系統層面的架構（上下游、中臺、支撐層面）

補充1：要介紹這塊，是為了讓風控金融類PM，其實也不僅僅是這類PM，而是我們整個策略PM在負責某個產品都需要去了解這樣的背景。

為何呢？

因為策略類PM更多都是屬于“承上啟下”的角色，要么支撐，要么應用，都是有上下游流轉的概念。你知道了上下游才能更好去開展工作。

要介紹部分，需要先介紹一個概念，也是目前比較熱的“中臺”。

1. 中臺

這個概念介紹，網上很多了，所以簡單大白話說說即可。

我這里主要強調在金融風控中：它是什么東西，為什么要它。

中臺這個概念早期是由美軍的作戰體系演化而來的，技術上所說的“中臺”主要是指學習這種高效、靈活和強大的指揮作戰體系。

（比如電商領域，經過十幾年的發展，組織龐大而復雜，業務不斷細化拆分，也導致野蠻發展的系統越來越不可維護，開發和改造效率極低，也有很多新業務不得不重復造輪子，因此業界誕生了不少知名中臺系統，最著名的是阿里云的數據中臺建設。）

首先，有中臺的多數是公司業務、技術相對成熟完善的平臺。即中臺模型是基于完善的技術平臺的，如阿里的中臺就很出名，甚至有個中間組件團隊“橫掃”阿里內部，這個橫掃是指支撐的作用和重要性描述。

其次，這種數據中臺一般可以抽象為三個層次，底層是基礎數據層，中層業務抽象模型層，以及最上層的算法模型層。

最后，在我以往所見所聞，對內部中臺的理解是：大數據中臺的目標是為了解決效率問題，同時降低創新成本。

細化具體如下:（面試如果問到中臺，可以結合經驗說說自己的簡短理解，供參考）

• 中臺的目標：減少溝通成本，提升協作效率；
• 中臺的實現手段：制定標準/規范、提供高可用數據/算法/應用服務、提供統一、標準的數據研發工具；
• 中臺的原則：數據資產的集中管控，分布式執行。

補充2：最后補充一個中臺的全景圖（以攜程金融為例）。

2. 風控產品系統架構

補充1：

其實風控也是近幾年慢慢興起。

這個很簡單的邏輯，沒有用戶量沒有利益對抗根本不搞風控都是可以的。但是隨著業務發展，用戶量增多，風控就必要了。尤其是大數據、人工智能相關的興起，有了技術支撐。

那么通用的風控產品系統架構，后面發現攜程不錯。

為啥？因為也是平臺級，并且是O2O+OTA平臺，適用性很強，還可以連通線下數據，有很強借鑒意義。并且11年他們才開始搭建風控體系，這個時間點其實也剛好是云計算等概念開始興起，所以有很強背景性。

以攜程為例：按其內部說法，現在最新的架構屬于3.0版本，也就是引入了上面中臺的東西。

但是最初的風控小系統是11年開始搭建起來，大概經歷了幾個大的迭代。所以下面就一步步去看這幾個過程的“進化”。這些內容不是這篇文章的重點，所以更多是羅列和總結一些特別之處。主要是保持完整性，我更多以圖片說明。（圖來自攜程內部風控大數據以及我的一些梳理）

如果要了解攜程風控的進展和描述，可以點這《分享關于攜程的一些風控干貨》

第一階段

這個時候的風控服務將所有在線決策功能整合在一個系統內實現，包括規則判斷、名單庫、流量計算，而這些邏輯都基于數據庫實現。

基于當時攜程對風控的需求，系統以滿足功能為主。

PM大白話去理解：

• 規則怎么判斷？就是根據數據庫記錄大于、小于、等于等判斷規則，接收到風險事件后獲取流量值和規則進行比較，得到最終的風險判斷；
• 名單庫怎么判斷？數據庫維護黑白名單信息（屬性類型、屬性值、判斷依據等），程序判斷風險事件中的值是否命中名單。

第二階段

然而，在上線運行一段時間后，隨著攜程業務的增長，風控系統的流量不斷增加，基于SQL的流量統計耗時嚴重制約了系統的響應時間，因此優化改版。

那么怎么改呢？

由于主要性能瓶頸在于數據庫實現的流量查詢，這次優化主要方向就是優化流量查詢的實現：在原來單個數據庫的基礎上，采用分庫分表的方式均攤壓力，以達到更快的響應時間和更高的吞吐量。

架構圖如下：（下圖）

這個階段的版本比較重要。是為后面新版打了很關鍵的基礎。

從特點來看：

• 更方便快捷的接入除了支付風險，業務的風險也需要風控支持；
• 更多的外部數據接入：用戶信息、位置信息、UBT信息；
• 更豐富的規則邏輯：支持任意變量的規則判斷，支持更多的判斷邏輯；
• 更高的性能：流量10x的增長，響應時間不超過1秒；
• 編程語言的更新：攜程推動公司內.net轉java。

基于以上，才有了實時性的風控在線支撐，也就是3.0版本了。

第三階段

個人認為這個版本有幾個很不錯的亮點：

1. 有全鏈條的風控。就是看上圖，從你設備行為（采集分析）到出票（交易完成）的全鏈條都是風控有監督；（別小看這個設備采集的環節，在整個體系中，指紋數據采集和指紋識別生成，從而判斷設備的唯一性，而唯一標識用戶的身份是非常關鍵的，冤有頭債有主）
2. 全鏈條相關聯的。就是上下游環節相互影響，相互分析和判斷。
3. 引入了用戶風險畫像，這個可以說是用戶畫像中比較特殊的內容標簽了，風控。
4. 實時。

補充2：

為了更好理解上面的第1點找了一些相關圖片補充，依次排列：

三、最后談金融風控——策略模型

在最前面講到金融風控的風險體系——消費金融的風險大體可分為可控風險及不可控風險，所以這里的策略模型就是為了規避這些風險而誕生的。

1. 金融風控模型體系的認知

一般來說，從上上面看整個系統流程圖，可以知道的是：風控模型貫穿獲客、準入、經營、逾期的整個客戶生命周期。

所以，按消費金融類產品而言，大范圍通用的手段：是可以根據用戶生命周期的不同階段，可將風控模型分為貸前信用風險模型、貸中行為風險模型、欺詐檢測及貸后催收模型。

不過在實踐中和業務事實上，抓住信貸審批管理就能控制80%的風險，一旦用戶獲得授信，后續的管理只能控制20%的風險。

除此之外，其實核心也可以根據：貸前、貸中、貸后不同場景，可以從不同的觀測粒度進行建模與抽象。

拿攜程金融的業務來講，PM可以這些角度去看：

1. 可以從每一筆交易角度來看，
2. 可以從攜程生態中用戶賬戶來看，
3. 可以從自然人概念為核心的客戶級別來看。
4. 一個自然人客戶與賬號可以是一對多的關系，一個賬號與交易也可以是一對多的關系。

補充1：

根據上述的前中后，業務和應用算法策略：

2. 金融風控的模型評分標準

• 你有無額度、額度多少；
• 能不能開信用卡；
• 為什么沒有借唄對你開放….

其實，如今在銀行、消費金融公司等各種貸款業務機構，普遍使用信用評分，對客戶實行打分制，目的是想對客戶的風險水平有一個準確的判斷，并作為風險定價的重要手段。

行業內常用的是ABC三張評分卡。A卡、B卡、C卡分別表示：

• 申請評分卡(Application Score Card)；
• 行為評分卡(Behavior Score Card)；
• 催收評分卡(Collection Score Card)。

（1）A卡：在獲客過程中用到的信用風險模型

從模型的角度來看，它會對用戶未來一定周期內的逾期風險作預測，即模型會在用戶授權的情況下收集用戶多維度的信息，以此來預測逾期概率。

預測的逾期概率被用于風控策略或者轉換成信用評分。（比如國外經典的FICO評分，國內的螞蟻信用芝麻分、京東小白評分、攜程金融的程信分等。A卡評分除了用于決定是否通過用戶的信用申請，還用于風險定價，比如額度、利率等。）

（2）B卡：為評分

即用戶拿到信用額度后，模型根據用戶的貸中行為數據，進行風險水平的預測。

本質上講，這個模型是一個事件驅動的模型（即輸入多維度行為——輸出結果預期分，不同的選擇造就不同的結果，很多黑產賣pos機或者養卡，就是利用一些銀行的規則），在互聯網金融領域，一般會比A卡的預測時間窗口要短，對用戶的行為更為敏感。（因為B卡除了可以用于高風險用戶的攔截，也可以作為額度、利率調整的重要參考因素。）

（3）C卡：催收評分會判斷

這個比較好理解，沒有那么復雜，簡單說就是怎樣追債成功率會大一些。who、time、how much……(例如當用戶出現逾期時，機構應該先催誰，或者哪些用戶不用催，就自動會把錢還回來。催收模型一定程度節約催收成本，提高回催率）

補充：小結

個人認為上面的，金融風控PM一般會比較關注AB類，C類往往是由一些“催債員”去跟進。

其中以A卡為重點策略模型，為何？

因為決定給不給你，等同吸引他人掏錢購物，是一個本質重要性。（下面以金融+風控PM角度去看，重點分析幾個金融風控策略模型）

3. 重要金融風控策略模型1：A卡（貸前信用風險模型）

（1）PM要分析會遇到的風險問題

貸前主要解決用戶準入和風險定價問題（大白話去理解就是：即面對一個新申請的進件用戶，判斷用戶是否符合產品的放款條件及相應的放款額度、價格、期限等問題。）

補充1：（面試會經常問答的）

PM面試，回答從來離不開業務+業務遇到的問題，沒有這個為前提的任何思考和需求都是比較虛的，沒有支撐點。

細分問題，PM所重點關注側策略模型，要解決的關鍵點：

1. 反欺詐識別：根據用戶提交的材料進行身份核實，確保用戶不存在欺詐行為；
2. 信用評級：與傳統銀行的信用評分卡原理類似，數據維度更加豐富，綜合用戶的社交數據、行為數據、收入數據等，判定用戶的信用風險等級，評估用戶的履約能力；
3. 風險定價：根據用戶的負債能力和收入穩定性，判斷用戶可承擔的月供金額，確定用戶的放款額度、償還期限等，并根據用戶風險等級確定用戶的費率。

這三個問題往往是互相影響、互為前提的。

（舉個簡單的例子，對一個月收入3000的用戶來說，月供在1000左右，用戶可能履約良好，信用等級良好；但如果月供提高到4000，嚴重超出了其收入水平，即便不是有意欺詐，也可能出現斷供的情況，從而得到比較差的信用等級）

（2）模型舉例分析

從PM角度去看，以攜程金融為例，看看信用風險建模（A卡）做了關鍵點。

首先從模型的源頭，建模開始。

PM會對A卡建模工作的側重點，主要包括如下幾方面：（前兩點比較口水話，個人價值一般般，面試也比較少深挖的。第三和第四點重要，此類PM實踐工作會較多的，遇到問題也是這些環節出現較多，可以重點mrak）

1. 確保策略的一致性。就是盡量減少人工干預，并利用機器學習的優勢提升決策效率；
2. 準確反映并量化用戶的風險級別。策略人員可以控制和減少風險損失，因此對評分卡等級的排序能力、穩定性要求會比較高。
3. 對好壞用戶定義。（這部用戶畫像PM會參與進來的）這個很有意思，因為風控是對抗性，所以這里的用戶心理和傳統PM所想的不一樣。（這個我在后面補充了）
4. 樣本規?；I備、算法迭代推進。簡單說就是不斷找新的數據去測試，測試好了又不斷升級。同時不僅僅是數據量不斷更新，當有了新的業務，那么發展起來的風控也是需要不同的。（這個也比較核心，后面補充了）

補充1：如何定義好壞用戶

所謂好壞用戶，這一點可能是A卡甚至是互金大部分風控模型的最基礎最核心的工作。

前面別小看這個，這個不是那么容易和簡單解決的。雖然看就像性別標簽，無非男抑或男。但是！在大數據大互聯網背景下的風控，你要定義用戶好壞，進而分配資源和權限資格給特定用戶，其本質對公司產品業務是十分影響的。就如10個犯人中，但誤捉了5個人導致冤獄，后果不僅僅是這5個人的被冤枉，更加反映是用戶群和市場對這個產品的信心不足（對司法體系不信任）

PM對這個模型建立的核心工作：

• 是對樣本標簽的定義；
• 是與實際業務場景、策略目標相一致；
• 是綜合考慮不同定義下的樣本量。

補充：案例

上面比較虛，補充一下案例。

以下可以作為面試時的具體案例分享，或者你對風控案例的一些思考?？梢宰鳛槊嬖嚨幕卮?。如果有經驗和把控，想獲得強的把控，一定要學會設計提問和作答，讓面試官下個問題會問到你預期設想的，注重社區的文章邏輯，如果有心，基本全部內容都可以變成面試回答點。當然，這是要分方向的前提。你不可能面試推薦PM回答風控PM的點。

• 比如1：在現金分期場景中，可以畫一下用戶回款率（或者滾動率）和逾期天數趨勢分布曲線，用戶逾期N天以后回款率或者滾動率便已經趨于穩定(梯度平穩)，則可以N天以上逾期作為篩選壞樣本的依據。
• 比如2：在某些場景下，如曾經的Payday Loan，由于整個業務周期只有半月或1個月，為加快模型迭代速度，有時甚至會定義7+甚至1+逾期用戶為壞客戶。在一些銀行場景中，出于壞賬計提考慮，可能定義90天以上逾期為壞客戶?？傊?，好壞用戶的定義不能純靠人工經驗，應該以場景的數據為基礎，進行數據分析之后確定。

補充2：如何不斷迭代算法

這個一般是分階段的：

1. 如在業務初期，樣本數據量極少，往往根據相關業務經驗確定使用的特征和規則；（說的不好聽就是團隊自己內部推理，分析，經驗預判）
2. 如隨著數據的慢慢積累，開始采用部分精細特征，使用簡單的機器學習算法訓練；
3. 如當樣本數據量積累到百萬級以上，可以嘗試采用神經網絡算法進行特征自動提取或者end-to-end的風控模型訓練。

面試回答，可以用以下的話作為總結。

總之，金融的風控模型優化的過程，實質是緊隨著業務從無到有、從小到大，數據量由少變多，特征由粗到細，模型由簡單到復雜，效果由一般到突破的過程。

這個不管是阿里系的還是攜程的 乃至很多大廠的都是如此。

補充A：案例

（附上攜程某產品-XX花的迭代算法版本效果圖）

補充B：金融風控PM在這個階段怎么做？

這個補充是來自于一些內部學員的反饋，就是希望更具體知道這個階段推進迭代是怎么開展的。

其實對于一個模型來說，你要達到什么指標，滿足或者不滿足，不滿足就繼續推進呀。而你要推進這個迭代所期望的目標，就要分析目前是有什么不足和問題，需要找資源呀。這個本質和傳統PM或者其他策略PM，都是相通的。

但是！這里的資源和判斷方法是有區別的，你所監控的數據指標是也是有區別的。（如你要判斷客戶C端好不好，可能是通過日活，留存等指標，但是算法策略模型，肯定不是說就這些了。如技術指標AUC這些是主要的。）

下面說說：假設在模型建立后，需要對模型的預測能力、穩定性進行評估，從而進行推進迭代。那么，看模型效果不能只看KS，KS定義是從0-1概率之間好壞樣本累計概率最大差值，實際應用中一般不會直接取這個閾值（cutoff）作為策略，因為在這種cutoff下，通過率可能會很低。

風控不能不管業務，舉個極端的例子，通過調整cutoff，風控幾乎可以做到任意想要的逾期率，但這樣通過率就很低了，業務規?？赡苤煌Ａ粼跇O少數資質優秀的客戶。

所以評估模型時，基于風險的評估及基于業務的評估是必須的。

因此，模型評估可分為三層：

• 第一層：機器學習模型評估指標。信用評分模型常用的評估指標為KS、AUC等。 考慮到金融業務反饋周期長的特點，除了劃分訓練集、測試集外，通常會預留一段訓練樣本覆蓋時間段之外的數據集，作為OOT（跨時間）測試集，以測量模型在時間上的穩定性；
• 第二層：風控層面；（比如在不同bucket下，預測概率的排序性能）
• 第三層：業務層面。（比如攔截率，通過率，逾期表現等）

總之，基于上面的評估分層，監控也做對應的分層監控，如果有條件，還可以對輸入到模型中的特征進行監控（比如特征的分布、波動率等）。

那么重點來了，你監控這么多維度就可以判斷ok不ok，正常不正常，哪些不正常你就根據業務目標、系統目標去反推不足進行迭代。

僅此而已，有時候對于風控金融策略類PM，其實不用把他們想的太復雜和深奧。

4. 重要金融風控策略模型2：B卡（貸中反欺詐模型）

貸中反欺詐按粒度可分為兩類：用戶級與交易級。

1. 用戶級粒度：這個會相對粗一些，即斷定當前客戶為欺詐客戶，可能的策略就是不允許欺詐用戶在平臺上發生交易行為；
2. 交易級粒度：這是較細粒度的，即根據交易上下文、IP、設備、地域判斷當前交易是否為欺詐交易，如果是，即不允許客戶進行此筆交易。

PM需要關注貸中反欺詐模型，有3方面的關鍵點：

1. 長尾分布：欺詐用戶其實是極少的；
2. 對抗性顯著：欺詐用戶會想辦法找出系統及規則的漏洞；
3. 模仿正常行為：欺詐用戶會利用偽造消費流水，前期正常還款等行為等，讓金融公司放松警惕，當提額到一定程度后，便開始逾期。

除了以上，我建議想風控類PM，不管是了解還是想轉行，可以從信用卡養卡策略和規則研究研究……理由不解釋。

5. 新穎金融風控策略模型：社交網絡在風控模型中的應用

社交風控模型，本質就是基于社交網絡的反欺詐。（之前的借貸寶，就是很典型的基于該模型的一個P2P產品，熟人借錢等也是）

基本思想其實很簡單，物以類聚，人以群分。比如：一個欺詐分子，可能與其有關系（在Graph上表現為有直接的邊連接，這種也稱之為一階親密度；或者通過邊的游走能夠觸達，這種稱之為多階親密度），那么可能這些與之有關系的用戶也是欺詐分子。

補充1：對社交風控模型（反欺詐）的解釋

好多人應該比較好奇這種模型。（微信內部也有這樣的模型，但應用是在微信內部，朋友圈等方面，這個不方便多講，下面以攜程金融的風控社交網絡為例，談談實踐方面PM的思考點）

如圖所示，通過梳理攜程生態內關鍵實體、關系。

1. 首先構建了一個龐大的異構社交網絡，該網絡包含10億級別的頂點，50億級別的邊。
2. 接下來是通過算法，發現社區(Community)。由于社交網絡的數據量相對來講是比較大的，因此在算法層面，對運算效率要求也是比較高的，同時對于社區劃分的穩定性有一定要求。
3. 在實際落地中采用LPA、改進的Louvain，實現T+1的社區發現。
4. 最后基于劃分的社區，可以獲得社區的各種屬性統計，這個作為反欺詐策略的重要參考。

算法的策略流程是怎樣的呢？

舉個例子，比如：當有一個用戶到來的時候，看其屬于哪個社區，根據改社區的屬性確定該用戶是否為欺詐用戶。

據攜程內部，目前在攜程金融的實際應用中，基于社交網絡的風控指標已經覆蓋了貸中80%的貸款請求，同時通過社交網絡，挖掘關系人一度或者多度關系，對嚴重的逾期行為，通過多度關系進行催收，提升回催率。

四、總結

沒有太多總結，對于這部分更多是金融風控+策略PM上認知上的分析。其實還有個比較關鍵的內容，就是實時性的計算。

關于金融類特征指標的實時性，不會是全部都要求，只會選擇一些業務需要、風險相關的。

舉一些例子：（節選攜程PM團隊內部分享）

（1）如計算維度的特征：

（2）怎么計算呢？

Down，最后回顧一下，這篇主要定位是關于金融+風控類的認知。

總的來說，這篇主要想說明的是幾個認知上的東西：

• 一是了解風控中金融常見業務規則的類型（大概有個認知即可）；
• 二是了解對應架構是如何的（以攜程為例，簡單了解即可）；
• 三是對一些金融中常用的策略模型算法解釋，這部分是重點重點（金融風控玩的就是策略+模型）。

這幾個都是以實踐通用去說，以金融風控PM的角度去看，并且以OTA產品，以攜程或者螞蟻金融風控為例加強認知。如唯品會金融的唯品花，攜程金融的拿去花，螞蟻支付寶的花唄等服務，其實在金融中既屬于業務也屬于理財或者消費產品，對于風控+金融類PM，這些是他們落地實踐和應用的產品對象。

本文由 @鳳城狂客 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