📚 课程目录第1章课程导入

1. 课程导入

在支付风控体系中，授权是资金流与风险控制的分水岭。授权前，系统需要在毫秒级内判断一笔交易是否放行；授权后，系统则拥有更丰富的回流信息，可以重新评估、拦截、追偿或调整策略。很多团队把这两段割裂处理：授权前只看规则命中，授权后只看人工审核，结果导致误杀率高、资损漏放多、策略迭代慢。本课程的核心，就是建立一套支付授权前后风险信号融合决策的方法论与工程实践。

学习目标

完成本课程后，你应当能够：

理解授权前信号与授权后信号的差异、互补关系与融合价值；
掌握风险信号从采集、清洗、特征化到决策输出的完整链路；
设计授权前实时决策与授权后异步复核的协同架构；
使用规则、评分卡、模型与策略编排实现融合决策；
通过监控、复盘与灰度机制持续优化风控效果。

核心概念：授权前与授权后

授权前信号指交易请求到达支付网关、发卡行或收单机构授权接口之前及当时可获取的信息，例如设备指纹、IP归属、用户历史行为、商户风险等级、交易金额与频次、卡BIN、收货地址等。其特点是实时性要求高、信息相对有限、决策窗口极短。

授权后信号指授权响应返回后产生的信息，例如授权结果码、CVV/AVS校验结果、发卡行风险评分、3DS验证结果、交易是否被拒、是否触发人工审核、后续清算与退款、拒付与调单等。其特点是信息更丰富、可异步处理、能验证授权前判断的准确性。

融合决策不是简单叠加两段信号，而是让授权前决策为授权后复核提供上下文，让授权后结果反哺授权前策略，形成闭环。

一句话理解：授权前解决“能不能放”，授权后解决“放得对不对”，融合决策解决“下一次怎么放得更准”。

整体框架：四层融合决策体系

本课程将围绕以下四层框架展开：

信号层：统一采集授权前、授权中、授权后信号，建立信号字典与质量校验。
特征层：将原始信号转化为实时特征、离线特征与跨阶段特征，解决时间窗口与一致性。
决策层：授权前实时评分与规则命中，授权后异步复核与模型再打分，输出融合决策。
反馈层：将授权后结果、拒付、客诉、人工审核结论回流，驱动策略迭代与模型再训练。

为了更直观地理解两段信号的差异与融合点，请看下表：

维度	授权前信号	授权后信号	融合决策关注点
决策时机	毫秒级，同步返回	秒级到分钟级，异步处理	前快后准，避免重复拦截
典型数据	设备、IP、行为、商户、金额	授权码、AVS/CVV、3DS、拒付	信号对齐与时间戳统一
主要风险	盗刷、欺诈、套现	拒付、调单、资损	降低误杀与漏放
决策方式	规则+实时模型	复核模型+人工审核	策略编排与优先级
优化目标	通过率与风险平衡	拒付率与资损控制	全局收益最大化

方法流程：从信号到决策的闭环

一个可落地的融合决策流程通常包含以下步骤：

信号接入：通过消息队列或API接入授权请求与授权响应，统一事件格式。
实时特征计算：在授权前计算设备风险分、用户行为频次、商户异常度等。
授权前决策：命中规则或模型评分超过阈值时，执行放行、拒绝或挑战（如3DS）。
授权后复核：对放行交易进行异步评分，结合授权结果码、AVS/CVV等重新评估。
融合输出：对高风险交易执行拦截、标记、人工审核或通知商户。
反馈回流：将最终结果写入特征库与标签库，用于策略调优与模型训练。

下面是一个简化的融合决策伪代码示例，帮助理解授权前后信号的协同：

def fusion_decision(txn):
    # 授权前信号
    pre_signals = collect_pre_auth(txn)
    pre_score = realtime_model.predict(pre_signals)

    if pre_score >= BLOCK_THRESHOLD:
        return "REJECT", pre_score

    if pre_score >= CHALLENGE_THRESHOLD:
        return "CHALLENGE_3DS", pre_score

    # 授权后信号
    auth_result = call_auth(txn)
    post_signals = collect_post_auth(auth_result)
    post_score = post_auth_model.predict(pre_signals, post_signals)

    if post_score >= POST_BLOCK_THRESHOLD:
        return "POST_BLOCK", post_score

    return "PASS", post_score

案例/场景：一笔跨境交易的融合决策

假设用户A在凌晨2点使用新设备，在商户M下单1000美元，IP显示为高风险地区。授权前系统计算设备风险分0.82、行为异常分0.75，命中“新设备+高风险IP+大额”规则，但未达到直接拒绝阈值，于是触发3DS挑战。用户通过3DS验证，授权成功。授权后系统获取到AVS不匹配、CVV匹配、发卡行风险评分中等。融合决策模块结合授权前的高风险信号与授权后的AVS不匹配，将交易标记为“高风险放行”，进入人工审核队列。人工审核发现收货地址与历史地址差异大，最终拦截并通知商户。这个案例说明：授权前不误杀，授权后不放过，融合决策让两段信号各司其职。

误区与复盘

常见误区一：授权前拒绝阈值过低。为了降低资损，把大量交易在授权前直接拒绝，导致通过率下降、客户流失。正确做法是设置挑战阈值与拒绝阈值，用3DS或人工审核承接中间风险。

常见误区二：授权后信号只用于事后统计。很多团队把授权结果码、AVS/CVV仅用于报表，没有回流到实时决策。正确做法是建立特征回流通道，让授权后信号参与下一次授权前评分。

常见误区三：两段模型各自为政。授权前模型与授权后模型使用不同特征口径，导致同一交易评分矛盾。正确做法是统一特征字典与时间窗口，确保信号可对齐、可解释。

复盘建议：每周抽取被拦截、被挑战、被人工审核的交易，对比授权前评分与授权后结果，计算误杀率与漏放率。重点关注“授权前低分但授权后高风险”和“授权前高分但授权后低风险”两类样本，它们往往是策略优化的关键。

实战价值

掌握授权前后风险信号融合决策，能带来三方面直接收益：第一，提升通过率，减少对正常交易的误杀；第二，降低资损与拒付，让授权后信号及时拦截高风险交易；第三，加速策略迭代，通过反馈闭环让模型和规则持续进化。对于支付机构、电商平台和金融科技团队而言，这是一项从“单点风控”走向“全局最优”的关键能力。

本章作为课程导入，已经建立了学习目标、核心概念、整体框架、方法流程、案例场景与误区复盘。接下来，我们将从信号采集与治理开始，逐步深入每一个环节。