作者：小伍哥

來源：小伍哥聊風控

大家好，我是小伍哥。

有效的風險感知或者無監(jiān)督風險識別，其實非常的難，很多同學甚至無法下手，做了的可能也沒有效果，如果找到合適的方法了，其實是非常有意思，且考驗想象力的事情，我認為是風控領域的一個明珠，需要扎實且廣泛的算法儲備、敏銳風險直覺、以及非常豐富的想象力，本文進行初步的探討，希望對風險感知的同學有一定的啟示作用。

當風控做到一定程度，或者平臺生態(tài)非常復雜的時候，需要對未知風險進行感知，也就是提前發(fā)現(xiàn)或者感知到平臺里面隱藏的未知風險。多于很多風控人員來說，是個非常大的挑戰(zhàn)，本文拿訂單場景舉例，拋磚引玉。

假如訂單包含：訂單編號、訂單時間、買家、賣家、價格、類目、收貨地址、收貨手機····

1、基于正態(tài)分布異常

要對其中的風險進行感知，大家首先想到的是基于統(tǒng)計的方法

商家成交同比增加1倍

商家成交環(huán)比增加80%

買家成交環(huán)比增加80%

······

簡單的統(tǒng)計特征用完了，就要基于分布異常進行感知了，從全部訂單維度，檢測正態(tài)分布兩端的價格，分布異常的視為異常訂單

從買家維度，監(jiān)控3倍標準差以外的訂單

從賣家維度，監(jiān)控3倍標準差以外的訂單

從賣家維度，監(jiān)控5倍標準差以外的訂單

······

很多剛?cè)腼L控的小伙伴，可能就到此為止了

2、基于箱線圖分布異常

如果要分類別監(jiān)控，我們可以利用箱線圖的方式進行，其實還是上面的分布異常，只不過比較方便可視化和分類別進行監(jiān)控，比如下面的指標：

根據(jù)類目，監(jiān)控每個類目上分布的價格異常的訂單

根據(jù)時段（每天24小時），監(jiān)控每個時段上的價格異常訂單

根據(jù)收貨城市，監(jiān)控每個城市的價格異常訂單

根據(jù)收貨城市，監(jiān)控每個用戶訂單量的分布

······

3、序列變異系數(shù)異常

在時序維度上，波動程度太大的，可能存在異常，所以我們可以構建時序維度上的特征，并利用變異系數(shù)進行時序維度的波動監(jiān)控，然后把波動過大的視為異常

以買家為維度，統(tǒng)計近30天每天的銷量，然后計算變異系數(shù)，如果變異系數(shù)過高，則視為異常

以賣家為維度，統(tǒng)計近30天的銷量，然后統(tǒng)計變異系數(shù)，如果過高，則認為存在異常

······

時序維度，其實還可以變換下，變成有序的價格段維度，能夠發(fā)現(xiàn)更多的異常。

以買家為對象，計算每個價格段為維度，計算分布的變異系數(shù)，過高，則認為價格分布異常

以賣家為對象，計算每個價格段為維度，計算分布的變異系數(shù)，過高，則認為價格分布異常

以類目為對象，計算每個價格段為維度，計算分布的變異系數(shù)，過高，則認為價格分布異常

以地區(qū)為對象，計算每個價格段為維度，計算分布的變異系數(shù)，過高，則認為價格分布異常

4、下單速率異常感知

部分機器訂單，可能下單速度比較異常，一秒鐘下幾單，并且每天如此，肯定是有問題的

買家維度的速率監(jiān)控，這個需要涉及一個好的指標，單位時間訂單數(shù)，或者最大持續(xù)密度，最大密度持續(xù)訂單量等，這個是個很有意思的話題，后續(xù)我研究好了告訴大家，歡迎持續(xù)關注小伍哥聊風控。

賣家維度的速率監(jiān)控，最好和大盤速率進行對比

比如上圖，我們可以只監(jiān)控紅框的長度和密度，其他兩個不監(jiān)控，把紅框內(nèi)點多的以及密度多的視為異常，為什么要這么做，就擔心十分鐘內(nèi)下單100筆，隔了23小時又下了一筆，如果按天平均并不異常，但是某一個十分鐘，卻是十分異常。

5、關聯(lián)關系異常感知

商品關聯(lián)規(guī)則分析，哪些商品一起關聯(lián)購買，某些商品組合，非常詭異的，不應該出現(xiàn)的，可能是刷單導致的

類目關聯(lián)規(guī)則分析，這個是個特別抽象的，商家的店鋪的類目應該很類似的，但是某些商家類目非常詭異的分布，比如女裝+撲克，可能就是賣賭博器材的

商家關聯(lián)團伙分析，通過分析某一時間片段同時出現(xiàn)的商家，判斷商家的團伙，對于高頻率同時出現(xiàn)的商家，可能存在異常

買家團伙分析，通過時間分段，挖掘哪些買家一起行動，可以找到團伙買家

6、同步關系異常感知

基于松散同步行為的團伙挖掘，非常抽象，可以看我之前的文章，這個通過訂單表，發(fā)現(xiàn)大規(guī)模的異常關聯(lián)和團伙關系，是非常重要的無監(jiān)督感知方法。

對于通過訂單表挖掘出來的團伙，再從時間維度，去看團伙的變遷，購買行為的移動，發(fā)現(xiàn)極具價值的信息。也是我最近研究的重點，發(fā)現(xiàn)了很多有價值的東西。

7、圖關系異常感知

基于圖的異常感知，才是感知的難點和價值點，就比如宇宙中的黑洞，黑洞本身看不見，但是我們可以通過監(jiān)測引力異常發(fā)現(xiàn)黑洞，黑洞越大周圍的引力越異常。大規(guī)模的復雜網(wǎng)絡中，由于異常用戶的出現(xiàn)，同樣會扭曲網(wǎng)絡空間的曲線，我們設置合理的指標，就能感知出異常的'黑洞'

1）主導邊異常

再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%，形成了主導邊，那這個商家可能就存在異常。

我們把賣家-買家換下，類目-商家，假如發(fā)現(xiàn)某個類目某個商家占比過高，會不會出現(xiàn)類目入侵的問題，如果更高級，我們是不是加入一個時間線，監(jiān)測長時間某個類目、賣家成交權重的分布變化，那能發(fā)現(xiàn)非常多的莫名其妙的異常，非常推薦嘗試研究。

2）權重邊檢測

檢測商家與買家的平均訂單數(shù)量，再與大盤進行比較，比如大盤每個買家對賣家的平均訂單是5單，但是某一個商家，平均每個買家買了30單，是不是商家組織一群人在不停的刷單。

3）Near-Star異常檢測

在正常的社交網(wǎng)絡中，我們通常認為朋友之間可能會相互認識，因此一階Ego-net中的鄰居之間沒有任何關聯(lián)是非?？梢傻?，近似星型，鄰居之間很少聯(lián)系（如通話關系網(wǎng)絡中的中介、電催人員、營銷號碼，他們大量的聯(lián)系別人，然而聯(lián)系人中之間幾乎沒啥聯(lián)系），這種結(jié)構的Ego-net被稱為star，如下圖所示，中心節(jié)點與大量節(jié)點存在關聯(lián)，但是鄰居之間無聯(lián)系或者聯(lián)系很少。

這個怎么理解：監(jiān)控每個商家的消費者，假如這些消費者近一段時間以來，只買了這個商家，沒買其他商家，是不是就非常異常，正常一個買家會買好多商家，不會只買一個的

8、無監(jiān)督算法

當然，也可以利用無監(jiān)督算法進行風險感知

買家維度：構建注冊時長、訂單數(shù)、平均價格、類目分布等等指標，用孤立森立、HBOS、KNN等算法進行異常感知，輸出異常分數(shù)高的買家

訂單維度：構建注冊時長、訂單價格、價格分位數(shù)，類目分布等等指標，用孤立森立、HBOS、KNN等算法進行異常感知，輸出異常分數(shù)高的買家

9、更無監(jiān)督?

有沒有更多監(jiān)督的方法？我覺得這個話題還可以更加深入的探討，我還需要更多的研究才能提供有價值的信息，不過大家可以去研究下。

本福特定理監(jiān)控商家、類目等維度的價格分布是否異常？

利用面相、星座等識別用戶的頭像與八字是否沖突？（早年間就有小貸公司根據(jù)面相確定貸款額度）

······

在無監(jiān)督的場景下，我們可以盡情的想象并進行測試，說不定有意外的驚喜，今天就寫到這里了。