编者按：利用先进技术来做风控，可以说是当前的一个趋势。但是很多行业从业者会遇到这样的问题，那些被吹得天花乱坠的技术，到底能不能帮助把风控做好？它们是不是噱头？如果不是噱头，这些技术又该如何去落地？

在一本财经的风控闭门课程上， Zrobot的CEO乔杨针对这些问题做出了分享。他从营销、反欺诈、催收等多个领域，介绍如何进行风控模型开发、搭建。

在正式分享前，我们需要讨论确定两个观点：

一个是模型开发。目前在国内，包括BAT，都没有一个完善的模型开发标准流程。

一个完整的开发模型流程，需要满足以下要素：

这些东西，其实在国内还不规范。

另一个是，在风控领域，大数据等一些先进技术的应用场景和方向在哪里。

首先，要能做到自动化，尽量减少人工的干预，减少主管臆断。

其次，通过大数据能实现“差异化”，做到客制化产品设计，客户画像补全，客户需求的深度挖掘。

再次，就是做到精准度，这些需要模型驱动，包括交易成本评估、差异化定价、反欺诈等。

最后，是创新性的评估。比如，现在行业最大的一个瓶颈，是底层数据不能共享，如何实现数据安全的共享。

01基于试验设计的营销相应策略

现在营销有两种方式：一个是覆盖式营销，主要是借助电视、广播、报纸等传统媒介，它的优势是覆盖面广，单成本非常高，但营销效果，比如我们把转化率做为评估，它是非常难以量化和评估的。

另一个是精准营销，你的触达方式，是电销、运营商的网运营商的网络或者是社交网络传播，它可以根据人群的特点需求，做一个定制化的投放，定制化投放最大的好处是，它可以做到极致化，可能是千人千面这么一个营销方式。那么每个人需求是不一样的，每个人的消费能力能力也不一样。定制化投放的最大优势，就是它的效果是可以量化的。

我们经常会面临三类场景：

一是，你面向众多营销对象，你如何选取需要触达的目标客户，提高你的营销响应率。

二是，针对不同的客户，怎么选取合适的营销渠道，降低过渡成本。

三是，在营销资源有限的情况下，如何选择合适的产品，做个性化投放，这就是要基于你对这个客户的精准理解。

我们是提倡“test&learn”的方式，就是你对目标客群的理解，不基于你的营销人员，它完全是通过我们实验设计，通过我们的数据来说话。那通过营销实验的方式，你可以用最小的成本来测试，那么最终你可以通过你测试到的基本数据来建模，来准确判断用户的一个画像，可以精准预估转化率。

02第一方欺诈

欺诈分为三种：

第一方欺诈，是客户本人是欺诈的实施者，他在进行消费的时候，并没有还款欲望，同时提供虚假的信息；或者刻意提高自己的信用体系，不断地提高信用额度，当自己的信用额度达到一定程度以后，就忽然爆发。

第二方欺诈，是非常不常见的，它犯罪主体是受害人的亲戚或者公司的雇员，通常被当作第三方欺诈处理。

第三方欺诈，客户是受害人，不主动实施欺诈，欺诈方式包括身份盗用或账号盗用。

第一方欺诈分为几类：

一是深度欺诈，用自己的身份申请贷款，但没有偿还意愿。

二是first payment default，这在现金贷首轮是非常普遍的，比如，第一天首轮客户达到30%，第二天可能降到20%，这批客户有好利润，但欺诈的频率是非常高的。

三是余额欺诈（bust-out）。

国内平台都有自己的提额策略，一个增长性的收信方式，一种方式是客户主动提出申请；另一种是平台通过判断策略判断用户是否达到提额的要求，做一个被动提额。只要存在提额的空间，就可以给欺诈份子一个动机。

现金贷用户经常会遇到，有些用户会借了还，但不是在还款到期时还，可能借了三四天之后就还了。这里面有一部分人，就是在测试，他们通过不停的提前还款、按时还款，把额度在很短时间内刷到他认为比较高的阶段，他可能一次把钱取出来，就消失了。

第四种是空头支票，这在国外比较常见，但在国内，大家不接受支票付款的，所以这种欺诈方式还未出现。

国内，风控还处在校验阶段，通过身份验证、识别，在前端防范欺诈。比如你要求用户提供银行卡流水，三要素、六要素验证，甚至是眨眼等活体验证，这都是有可能被攻破的。所以通过交验的方式，是目前国内是比较普遍使用的方式。

在无意偿还的这一块，有效的方式就是黑名单，进一步做风险信用评级，用户画像。但针对还款意愿的判断是非常难的。

first payment default识别难度在于数据较少，判断周期长，但耗费大量催收资源，主要也以黑名单判定为主。

余额欺诈，可用会在多家借贷机构同时发生，如果能掌握多头申请的信息，可以对余额欺诈做一个前期的保障。

进入欺诈期，用户先是正常消费、按时还款，之后多家同时申请调高额度，会短时间内高频消费，最终消失。

余额欺诈，在实施欺诈之前，假装自己是好人，正常消费、正常还款，在初中期，90%正常交易比较多，高危交易、大额交易比较少，后期交易行为发生明显变化，大额交易明显增多。

判断用户交易的真实性，需要非常大的计算量，对系统、预算的要求非常高，比如信用卡的，要求在毫秒进行判断。

交易监控，需要监控是否有高频小额交易、大额异常交易。

余额欺诈，会频繁的申请额度提升，最有效的是建立恶意提额识别模型，设置恶意提额识别策略，在实施大额提现时，平台能拦截异常交易。

另外可以结合其他维度进行监控，社交网络、网上浏览数据、其他行为数据等。

03常见的欺诈类型及防控措施

第三方申请欺诈，有账户盗用、资料造假，恶意违约；交易欺诈，包括账户冒用、养卡、套现。他们的防控难度和危害程度，都比较急迫。

具体要如何防范呢？

1、最常用的方法是建立“漫网”体系识别，通过多元数据交叉比对，搭建模型建立精准的客户画像。

“漫网”体系识别是我们内部提出来的一个概念，是通过机器分析社交网络额度一个方式，通过地址关联，设备关联等建立网络图谱，当建立起来全网关联后，你看到的不是欺诈的个体，而是一个消费群落，可以快速定位欺诈团伙行为。

2、多种数据来源的交叉对比，包括地址、移动设备行为等各种用户信息进行交叉对比，产生置信度。

3、模型的方式，建立精准的客户画像，这被认为是最有效的，通过身份特质、购物历史、交易特征，构建千人千面的模型，可以根据交易进行画像对比，符合就通过。

客户画像模型构建分为三个部分：

第一，用户档案，与传统风险模型不同，为每一个客户建立一套专有的行为档案。

第二，数据光滑，当客户自身的历史行为不足以支撑是，需要用行为近似的数据进行补充。

第三，时间衰减，对于我们服务的年轻客群，变化非常快，需要及时更新行为档案。

04反欺诈

在整个信贷授信环节，身份验证，欺诈识别，信用评估和后期的风险预警，每个环节都有技术突破。

比如，在批量注册识别领域，通过用户行为模式分析，尤其是相似性分析，比如多头申请、关系网络、高相似信息等，有效区分机器注册用户和正常使用客户，最大限度减少对正常客户的影响和拦截无效客户。

最大的劣势在于，很可能误伤，需要极强的场景理解能力和丰富的业务经验，能利用流式处理技术，实时判断客户在注册及使用流程的异常现象。

举个例子，判断客户是否属于批量注册，可以通过路径分析的方式。比如网页跳转路径、网页类型与停留时间等。

第一，是刷单识别。

通过多个维度，可以识别刷单团体。比如通过商户和客户两个维度，进行信用评估，建立商户之间，客户之间，以及商户与客户之间的关联关系，有效提升团体刷单的识别率。进一步，可以由点带面发现整个可疑集团，并减少对正常用户的影响和购物体验。

需要制定一个惩罚机制，对刷单的严重程度，进行差异化处理。

第二，是漫网扩散，构建一个关系网络。

这是基于个体之间，多样性的关联方式，关联频率等信息，有筛选的建立关系网络，同时根据已知的黑名单，建立有效的传染规则与免疫规则，实现涉黑程度的量化度量，提升黑产团伙识别率。

根据已知的黑名单，建立有效的传染规则与免疫规则，实现涉黑程度的量化度量。

最终，以图谱的形式，实现关系网络可视化，方便业务人员对关系网络整体进行把控。

第三，是中介识别，就是根据用户在网络中留下的言论信息，来判断该用户是否具有中介特征，这是对黑名单模型的补充。

信贷中介识别的难点在于，对于黑产一些隐蔽的代称，无法进行有效地识别。比如，聊天记录和论坛言论是零散的，针对多人对话需要进行结合上下文的语义理解，对文本和词性的辨识度要求很高。

中介识别基本建模步骤：

1、在人工指导下，针对网络进行有效爬取，建立结构化数据库。

2、利用监督学习，针对爬取素材进行语义分析和情感分析。

3、实现自动化网络爬取和语义分析。

主要采用的标注模型有二元文法（bigram），基于字符的隐马尔科夫模型（HMM），词三元文法（word Trigram）和字符三元文法等。

05催收策略

首先明确，催收关键目标，包括早起催收、后期催收、保全。

催收，需要催收模型的支持，通过对客户“排序”，统计建模，来帮助进行业务决策。统计建模的优势在于客观、准确、公平、稳健、法律合规。

模型开发需要对历史信息和当前信息，进行分析和预测，主要是预测未来表现的催收模型可以使用的数据来源有：金融机构自身数据、征信数据（人行征信或第三方征信）、客户针对催收反馈数据、其他外部数据等。

催收模型搭建同时，还需要制定催收策略。

催收策略是一个不断循环,自适应优化的过程，需要不断收集反馈信息,并调整策略。

设计策略的时候，需要关注“什么时候，由谁，对哪些账户，采取何种催收方式”，他最终是一个资源配置效率的问题，有限的资源如何做到最好。

催收策略严重依赖于系统，在评分与策略之外，强大、高效、符合业务需求的系统 是重要的基础条件。

催收需要考虑三个维度，催收账户分类、产品分类、催收行动信息。

催收账户分类，包括新帐户、首次还款逾期帐户、联系方式或地址失联、习惯性逾期、违背还款承诺等。

催收行动信息，包括逾期期数、天数，还款承诺，还款承诺未兑现等。

另一点需要讲的是，催收需要结合有效结合账户数和金额的考虑。一个公式是，Balance at Risk风险余额=Probability of Bad坏账概率(评分) * Balance余额。

而在催收行动考量时，需要将催收工作可能得到的客户反馈考虑在内，通过行动细分对催收工作及客户反馈进行细分,进一步完善策略。

这里要提到催收对象的“敏感度”，即采取一定的催收行动后,客户反应如何，依据其”反应情况”和”敏感度”采取不同催收行动。