從5W1H起入門風(fēng)控系統(tǒng)設(shè)計
編輯導(dǎo)語:相信有很多小伙伴都想了解如何學(xué)習(xí)風(fēng)控系統(tǒng)設(shè)計,這篇文章作者詳細(xì)闡述了如何從5W1H起入門風(fēng)控系統(tǒng)設(shè)計,內(nèi)容通俗易懂,感興趣的小伙伴一起來看看吧。
一、什么是風(fēng)控
場景1:一位跟你從小玩到大,而且一直都有聯(lián)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(dāng)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(xué)同學(xué)某某某,我現(xiàn)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(xué)的模樣,甚至懷疑到底有沒有這個同學(xué)。此時你大概率會認(rèn)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(fēng)控過程:
- 畫像分析與風(fēng)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(fēng)險系數(shù)低;默認(rèn)的同學(xué),背景信息缺乏、近況完全未知、償還能力未知,風(fēng)險系數(shù)極高。
- 風(fēng)險措施:風(fēng)險系數(shù)低的朋友,放款快、額度高、還款周期寬松;風(fēng)險系數(shù)高的同學(xué),要是再來電話,得問清楚家庭關(guān)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(rèn)識的同學(xué)擔(dān)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(nèi)容含糊不清,一概拒絕借錢。
風(fēng)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(fēng)險事件的發(fā)生,或者減少風(fēng)險造成的損失。
二、風(fēng)控第一步:明確利益
風(fēng)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(fēng)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?shù)臑榇蠹业膲粝胭I單,這種情況下,風(fēng)控就完全多余的。
但現(xiàn)實生活中,一個系統(tǒng)、一款產(chǎn)品,都需要考慮風(fēng)控這件事了,那必然是出于某個目的、某種利益驅(qū)動的。免費的APP希望屏蔽爬蟲,節(jié)省服務(wù)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(fēng)控的目的,是設(shè)計風(fēng)控系統(tǒng)的第一要務(wù),現(xiàn)在我們有個系統(tǒng),用戶通過在指定地點簽到完成任務(wù),累計一定數(shù)量,就可以兌換獎勵,那我們風(fēng)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(wù)的人,從而激勵大家更積極、認(rèn)真的參與任務(wù)。
- 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(fā)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(jù)收集的大數(shù)據(jù),建立數(shù)據(jù)模型,找出最可能有作弊嫌疑的用戶,再進(jìn)行人工復(fù)核。
再例如最常見的借貸APP,他們是對風(fēng)控系統(tǒng)依賴、專研最多的行業(yè)之一。
- 明確目的:把錢結(jié)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(jù)收集的大數(shù)據(jù)、人行征信及其他第三方系統(tǒng)數(shù)據(jù)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(fēng)控系統(tǒng)介入的目的,才能更好的進(jìn)行風(fēng)控模型、風(fēng)控舉措的設(shè)計,從而讓風(fēng)控系統(tǒng)的價值最大化。
三、風(fēng)控第二步:設(shè)計風(fēng)險模型
風(fēng)險模型用于評估風(fēng)控對象對于風(fēng)控目標(biāo)的風(fēng)險程度,那要如何構(gòu)建風(fēng)險模型呢?
首先我們要盡可能掌握風(fēng)控對象可能與風(fēng)控目標(biāo)有關(guān)聯(lián)的所有信息,然后評估這些信息的風(fēng)險程度,不同的信息根據(jù)關(guān)聯(lián)程度不一樣,又會有不同的權(quán)重,最后加權(quán)計算就得出了風(fēng)控對象的風(fēng)險系數(shù)。
結(jié)合實際例子理解:現(xiàn)在有一款產(chǎn)品,運營會創(chuàng)建一系列的指定地點打卡有獎的任務(wù),用戶領(lǐng)取任務(wù)后,在對應(yīng)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(zhǔn)確的,所以簽到地點允許有一定的距離誤差。
1. 業(yè)務(wù)流程梳理
我們對用戶獲得獎勵的行為路徑進(jìn)行梳理:
2. 數(shù)據(jù)整理
我們將每個階段會產(chǎn)出的數(shù)據(jù)進(jìn)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(shè)備信息(引申出設(shè)備型號、設(shè)備號、APP版本等)
- 實名認(rèn)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(lǐng)取任務(wù):任務(wù)類型、創(chuàng)建時間、創(chuàng)建人、任務(wù)時間、任務(wù)地點、任務(wù)熱度(任務(wù)最大領(lǐng)取人數(shù)、任務(wù)已領(lǐng)取人數(shù)、任務(wù)PV/UV訪問情況等)、任務(wù)獎勵、領(lǐng)取時間、領(lǐng)取地點、領(lǐng)取設(shè)備等
- 打卡:打卡時間、打卡地點、照片質(zhì)量、備注質(zhì)量、打卡設(shè)備(手機型號、設(shè)備號、APP版本、IP地址、ip歸屬地)
- 獎勵:已領(lǐng)取獎勵、已提現(xiàn)獎勵、領(lǐng)取次數(shù)、平均獎勵金額、平均提取周期等
如果對這些數(shù)據(jù),或其他業(yè)務(wù)流程中可以產(chǎn)出、依賴性強的數(shù)據(jù)沒埋點采集的話,還需要先完善埋點,確保盡可能的把數(shù)據(jù)采集全面。
3. 數(shù)據(jù)歸類
我們按照大名鼎鼎的5W1H對整個業(yè)務(wù)流程可以產(chǎn)出的數(shù)據(jù)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(jìn)行思考。
4. 風(fēng)險關(guān)聯(lián)分析
我們對所有掌握的數(shù)據(jù)進(jìn)行歸類后,可以將該數(shù)據(jù)與預(yù)期風(fēng)險進(jìn)行關(guān)聯(lián)分析,例如我們有那么多的地址信息,由于我們業(yè)務(wù)的特殊性,一般都是同城內(nèi)打卡,所以用戶注冊地、日常瀏覽的所在地、打卡地址,都應(yīng)該在本市,且打卡地點不出意外的話,都應(yīng)該距離設(shè)定的任務(wù)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(yīng)在省份層面,應(yīng)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(wù)打卡,這風(fēng)險就很大了。
由于我們業(yè)務(wù)的特性,一個打卡任務(wù)從發(fā)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(yīng)該是在一個城市,臨近的城市都比較少,如果出現(xiàn)廣東省瀏覽了一個山東省的任務(wù),最后打卡點是山東省,這風(fēng)險也極大。
所以我們就可以列一下每個數(shù)據(jù)與最終風(fēng)險的關(guān)聯(lián)系數(shù)。
5. 風(fēng)險閾值設(shè)計
我們采用“可信度”計分,標(biāo)記為s,單項最高100分,最低0分。如果一項數(shù)據(jù)可信度越高,則分?jǐn)?shù)越高,相對而言風(fēng)險程度就越低。
同時給每一項數(shù)據(jù)加一個權(quán)重值,標(biāo)記為w,為方便計算,需要讓w1+w2+…+wi=1,即所有權(quán)重相加等于100%。
最終可信度分?jǐn)?shù) =?∑ 單項分?jǐn)?shù)s x 單項權(quán)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(shù)w假設(shè)為0.1
按要求就應(yīng)該在任務(wù)要求的地點附近,我們采用經(jīng)緯度距離計算的方式,判斷風(fēng)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(shù)w假設(shè)為0.02
打卡ip歸屬地其實并不準(zhǔn)確,由于網(wǎng)絡(luò)運營商問題或使用了虛擬專用網(wǎng)絡(luò)(Virtual Private Network),可能出現(xiàn)“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(shù)w假設(shè)為0.03
注冊ip、瀏覽ip的歸屬地,和打卡ip有同樣的準(zhǔn)確性問題,但是我們可以用離散度來衡量,一般情況,我們預(yù)期的用戶注冊ip、瀏覽ip與實際打卡ip都應(yīng)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(jìn)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(shù)據(jù),都擬定一個權(quán)重、還有一套評分規(guī)則,就可以進(jìn)行所有人員的風(fēng)險評估了。
6. 模型測算
當(dāng)我們梳理出所有風(fēng)險相關(guān)的數(shù)據(jù)、擬定了權(quán)重、評分規(guī)則后,我們就完成了分析評估模型的初步設(shè)計,但是這個模型準(zhǔn)不準(zhǔn),我們還需要進(jìn)行測算。
我們會從系統(tǒng)中隨機抽取一定數(shù)量的、包含了已知作弊記錄在內(nèi)的真實記錄,然后使用模型規(guī)則,算出可信度分?jǐn)?shù),然后查看可信度分布情況:
- 已知的作弊記錄,是否多數(shù)分布于可信度低的區(qū)域。如果不在,查明是哪個指標(biāo)權(quán)重或計算規(guī)則導(dǎo)致的,調(diào)整對應(yīng)指標(biāo)權(quán)重、計算規(guī)則
- 其他可信度低,即風(fēng)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(jù)業(yè)務(wù)特征和運營經(jīng)驗,分析分?jǐn)?shù)分布情況是否符合預(yù)期的分布特征,如正態(tài)分布,即極高風(fēng)險的和極低風(fēng)險的應(yīng)該都在少數(shù),大部分處于中間區(qū)間。
- 不斷優(yōu)化權(quán)重配置、計算規(guī)則、多抽樣幾批真實業(yè)務(wù)記錄進(jìn)行反復(fù)測算,提高模型的準(zhǔn)確性
- 總結(jié)不同可信度分值的分布區(qū)間特點,對記錄結(jié)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(yōu)秀。
目前我們的模型是根據(jù)最終打卡記錄來計算的,保障任務(wù)獎勵的資金安全、發(fā)放給應(yīng)得的用戶。但是有時候我們可以會需要根據(jù)用戶的歷史記錄,來評估對用戶維度的可信度,用來在任務(wù)報名節(jié)點就過濾掉部分用戶,這時候可能就要建立新的模型進(jìn)行評估。
另外對于新用戶,沒有過多的數(shù)據(jù)時,可能就需要用更少的數(shù)據(jù)指標(biāo),來建立用戶維度的可信度等。
四、風(fēng)控第三步:風(fēng)險模型應(yīng)用
我們根據(jù)任務(wù)的獎勵情況,任務(wù)獎勵越多,那被刷、用戶作弊的風(fēng)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(jù)可信度,采用不同的策略,以實現(xiàn)減少人力成本投入、提高安全系數(shù)的目的。
到此,我們就完成了風(fēng)控系統(tǒng)的設(shè)計、應(yīng)用全流程。但是風(fēng)控模型不是一成不變的,是需要通過不斷積累的技術(shù)、數(shù)據(jù),不斷迭代升級的:
- 隨著業(yè)務(wù)場景的拓展、技術(shù)的不斷更新,我們可能采集到更多維度的數(shù)據(jù),用于升級風(fēng)控模型;
- 那些“免審核”的優(yōu)秀記錄記錄中,還是會隱藏著新的作弊手法、作弊風(fēng)險,一旦被發(fā)現(xiàn),我們也需要對風(fēng)控模型進(jìn)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(fēng)控系統(tǒng)的合作,不斷完善風(fēng)控指標(biāo)
五、總結(jié)
萬丈高樓平地起,5W1H作為我們?nèi)粘I?、工作中最實用的方法論之一,對于基礎(chǔ)的風(fēng)控模型設(shè)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(xiàn)。
實際生產(chǎn)實踐過程中,由于法律法規(guī)要求、用戶體驗需要等,可能還未必能采集到那么豐富的數(shù)據(jù);另外所需要面對的業(yè)務(wù),復(fù)雜度也可能高得多,很多風(fēng)險隱患可能深藏于錯綜復(fù)雜的業(yè)務(wù)流中,不容易被察覺。此時我們就需要設(shè)計更復(fù)雜的風(fēng)控模型,如通過灰色關(guān)聯(lián)分析來設(shè)計權(quán)重、使用機器學(xué)習(xí)來識別風(fēng)險等等,路漫漫其修遠(yuǎn)兮,吾將上下而求索。
#專欄作家#
iCheer,公眾號:云主子,人人都是產(chǎn)品經(jīng)理專欄作家。房地產(chǎn)/物業(yè)行業(yè)產(chǎn)品經(jīng)理,Python編程愛好者,養(yǎng)貓發(fā)燒友。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自Unsplash,基于CC0協(xié)議
陳總:你這廢物寫的都是什么狗屎,來公司就是騙吃騙喝騙錢的嗎?你給我滾蛋
我旁邊的那個小伙子就是參考的這個
5w的思路適合很多地方,作者分享的很詳細(xì)!期待更新
哪些地方都用到5W1H,這么多的思維模型要多多學(xué)習(xí),感謝作者