互联网风控揭秘：打造核心指标体系

最新推荐文章于 2024-11-09 11:15:25 发布

风控白衣骑士

最新推荐文章于 2024-11-09 11:15:25 发布

阅读量1.9k

点赞数 34

文章标签：数据挖掘机器学习人工智能

本文链接：https://blog.csdn.net/qq_25243447/article/details/136665585

版权

一、互联网业务风控的业务范围

风控其实是一个很大的概念，"风控入门指南"系列文章，关注互联网业务风控。
具体包括，账号风控、营销反作弊、支付风控、广告反作弊、内容风控等场景的风险管控。
各场景风险项如下：

风险场景	风险类型
账号风控	批量注册、晒号、养号、撞库
营销反作弊	薅羊毛
支付风控	盗卡、盗刷、洗钱
广告反作弊	展示作弊、刷量作弊、归因作弊
内容风控	涉恐、涉政、垃圾消息等

二、风控的目标是什么

马克思曾经说过："一旦有适当的利润，资本就胆大起来。如果有10%的利润，它就保证到处被使用；有20%的利润，它就活跃起来；有50%的利润，它就铤而走险；为了100%的利润，它就敢践踏一切人间法律；有300%的利润，它就敢犯任何罪行，甚至冒绞首的危险。"

黑产的利润远不止300%，只要有足够的利润，黑产就会像野草一样，春风吹又生。所以，风控的目标从来不是消灭黑产，我们要做的，是不断提高黑产作恶的成本，当成本>收益，黑产自然会放弃或者转换目标。 杀头的买卖有人干，亏本的买卖没人做，是永恒的真理。

三、风险量化：寻找你的北极星指标

就像我们一定要有一个损失函数，才能度量贪婪搜索是否在往正确的方向优化，风控也需要有北极星指标来指引策略优化。
If you can't measure it, you can't improve it!

准召类指标

假设目标是找到坏人，即正样本是坏人。
传统机器学习衡量二分类模型的指标有准确率（Accuracy）、精度（Precision）、召回率（Recall），计算公式如下：

	预测坏人	预测好人
实际坏人	A	B
实际好人	C	D

准确率（Accuracy）= (A+D)/(A+B+C+D)，即预测结果正确的比例。
精度（Precision） = A/(A+C) ，即预测的100个坏人里面，到底有多少是真坏人。
召回率（Recall） = A/(A+B) ，即实际有100个坏人的话，你覆盖了多少。
精度和准确率工业界经常混用，平时一定要问清楚具体计算方式。

以上指标，对于不平衡类问题会有失真的问题：
比如在薅羊毛场景，经常90%以上流量是坏人利用自动机产生的。

	预测坏人	预测好人
实际坏人	90	0
实际好人	10	0

当模型全部预测为坏人的时候，以上指标依然都大于90%。准确率（Accuracy）= 90% 精度（Precision） =90% 召回率（Recall） =100%

实际风控业务上，我们主要实用基于混淆矩阵调整以后的误伤和覆盖指标:
好人误伤率 = D/（C+D） = 0% ，即好人里面实际误伤了多少。
恶意覆盖率 = A/（A+B） = 90% ，即坏人里面实际打击到了多少。
一般情况，优化方向是在保证好人误伤率<××%的前提下，提升恶意覆盖率。

准召类指标存在一些缺点：

好人样本或者坏人样本有时间非常难获取，造成难以评估或者评估方法无法令人信服。
指标和业务缺乏关联，适用于平台型风控，不适合业务部门风控。

提升度指标

这里的提升度并不是指关联规则挖掘里面的提升度（Lift），而是指策略加入前后的效果提升类指标。

比如注册场景，打击之前抽样好人占比20%，打击以后抽样好人占比90%，那好人提升度可以是 90%/20% = 4.5，即好人占比基于大盘提升了4.5倍。
比如广告场景，放过部分的转化率5%，打击部分的转化率1%，证明策略有效的提升度指标可以是 5%/1% = 5，即我们打击的坏人流量和好人流量在转化率上有5倍的区分度。
提升度指标是业务初期的好选择之一，只要找到的流量和大盘区分度足够明显，就可以用类似指标证明风控价值。