作者：小伍哥

來源：小伍哥聊風(fēng)控

大家好，我是小伍哥，今天跟大家聊個比較深入點的話題，技術(shù)好就能做好風(fēng)控么？

風(fēng)控算法或風(fēng)控策略，確實需要很深、很廣泛的技術(shù)儲備，但是也需要很高的應(yīng)用藝術(shù)和想象力。風(fēng)控不像其他業(yè)務(wù)技術(shù)或算法，算法的出現(xiàn)本身就有了比較確定性的場景了，比如推薦，直接套用就行，但是很多算法在風(fēng)控領(lǐng)域應(yīng)用的時候，場景需要自己去挖掘和發(fā)現(xiàn)。

怎么抽象場景，怎么使用算法，就是一個藝術(shù)活了。下面用一個圖異常檢測算法的一個點舉例說明。算法鏈接：OddBall-圖異常點檢測

這篇文章，我相信很多讀者看到是圖算法，基本就放棄，認為需要要自己寫很復(fù)雜的算法才能部署和實現(xiàn)，其實對這個算法充分理解后，簡單的統(tǒng)計就能用了，難點在于對算法的理解，以及對業(yè)務(wù)中場景的抽象，我們看看這個算法的一個點。

算法如下：DominantPair（主導(dǎo)邊）這個類型的風(fēng)險，Dominant heavy links指“主導(dǎo)的邊”，Ego-Net中存在某條邊權(quán)重異常大，如下圖所示。

度量方法：主特征值～總權(quán)重，大多數(shù)節(jié)點Ego-net對應(yīng)帶權(quán)鄰接矩陣中主特征值(principal eigenvalue，即最大特征值)～總邊權(quán)重也服從冪律分布，其中系數(shù) λ 表示Ego-net中邊權(quán)均勻分布， λ 接近1表示存在DominantPair的情況，衡量的公式如下：

我們來簡化下這個算法思想：其實一句話，就是一個點有很多個鄰居，某個鄰居權(quán)重占所有鄰居總權(quán)重的比例特別大

再來個更具體的例子：一個商家一個月賣了10000個訂單，100個消費者，其中一個消費者買了9900單，那這個消費者占比9000/10000=90%，形成了主導(dǎo)邊，那這個商家可能就存在異常。我們其實只要統(tǒng)計商家的總訂單，以及每個商家-消費者維度的訂單聚合，然后相除就解決了，這就是個簡單的SQL計算問題，完全不用什么復(fù)雜的寫算法。

當(dāng)然，這里的訂單數(shù)可以換成金額

訂單換成點擊：可以監(jiān)控惡意流量什么的

訂單換成領(lǐng)券：可以監(jiān)控羊毛黨什么的

·········

商家和消費者也可以換成其他的角色，根據(jù)自己的平臺設(shè)計這種監(jiān)控指標(biāo)，我覺得能發(fā)現(xiàn)傳統(tǒng)發(fā)現(xiàn)不了的異常，因為很少有人這么思考過。

那消費者-換地址關(guān)系呢？情況就變了，權(quán)重大反而是正常的，小反而不正常，可能是黃牛什么的，因為正常人得地址，相對比較集中，就那個幾個固定的。

那消費者-充值手機呢？也是同樣的，權(quán)重大反而是正常的，小反而不正常，可能是銷贓款或者洗錢什么的。因為正常人，給自己手機充值，或者加幾個家里人和同學(xué)什么的，有些賬戶給幾千幾萬人充值，那可能就異常了。

那這個是不是可以再抽象一點，比如消費者-購物類目關(guān)系網(wǎng)絡(luò)，按道理，每個人的購物，基本均勻分布在不同的類目，有吃穿的也有用的，如果發(fā)現(xiàn)一個用戶，大量購買集中在某些偏門的類目，那是不是有可能這個用戶或者被購買的商家有異常？是不是要買制毒的原材料？是不是在圖謀什么？或者在交易什么？

每個公司的業(yè)務(wù)不一樣，但是很多思路，都是可以順著這個算法的結(jié)構(gòu)去思考的，需要充分理解算法，充分理解業(yè)務(wù)，充分的想象力。

我們看到了異常檢測，看到了圖，但是要更加深入的去看到業(yè)務(wù)與之匹配的地方，多維度的思考，聯(lián)想，并進行應(yīng)用，才能讓算法產(chǎn)生價值，所以，風(fēng)控，不僅是技術(shù)問題，也是藝術(shù)。

風(fēng)控挖掘的樂趣，大抵也在此了。