2. 支付风控基础

在讨论A/B测试与误杀率优化之前，必须先建立一套稳定的“支付风控世界观”。因为后续所有实验设计、指标口径、策略迭代，都建立在对支付链路、风险类型和策略体系的理解之上。如果基础概念不统一，A/B测试很容易变成“指标口径之争”，而不是策略效果之争。

一、支付流程：风控在链路上的介入点

一笔支付从用户点击“确认支付”到资金最终结算，通常要经过多个参与方和多个状态节点。风控并不是在单一环节做判断，而是在关键节点上做“放行、拦截、挑战、人工审核”等决策。

典型支付流程可以抽象为以下阶段：

1. 下单与收银台：用户提交订单，选择支付方式，进入收银台。
2. 支付请求创建：商户系统生成支付单，向支付网关发起请求。
3. 风控决策：支付网关或独立风控系统在授权前进行实时风险评估。
4. 渠道授权：请求发往银行、卡组织或第三方支付渠道，完成扣款授权。
5. 结果回调与状态同步：支付结果异步通知商户，更新订单状态。
6. 清算与结算：资金在T+1或约定周期内完成清算结算。

风控的核心介入点通常在“支付请求创建”之后、“渠道授权”之前。这个位置既能拿到订单、用户、设备、商户等上下文信息，又能在资金真正扣款前做出拦截或挑战决策。部分场景下，风控也会在授权后做二次校验，例如对高风险交易发起延迟结算或事后追偿。

二、常见风险类型：从盗刷到欺诈套现

支付风险类型多样，但可以按“谁在作恶、作恶动机、资金损失路径”三个维度归类。常见类型包括：

风险类型	典型表现	主要损失方	风控关注点
盗卡盗刷	使用他人卡信息完成支付	持卡人、发卡行、商户	设备指纹、IP、行为序列、卡BIN异常
账户盗用	账号被撞库或钓鱼后发起支付	用户、平台	登录异常、改密后短时支付、设备切换
营销套利	利用优惠券、返现规则批量套利	平台、商户	同设备多账号、收货地址聚集、券使用模式
虚假交易	商户自买自卖、刷单洗钱	平台、银行	商户交易集中度、金额规律、退款率
拒付与欺诈	持卡人否认交易，发起拒付	商户、收单机构	历史拒付率、商品类型、物流信息
洗钱与资金转移	通过支付链路转移非法资金	社会、金融机构	资金快进快出、多层账户、跨境异常

不同风险类型的损失路径不同，对应的策略目标也不同。盗刷更关注“拦截率”和“误杀率”的平衡；营销套利更关注“识别覆盖率”和“规则更新速度”；洗钱则更依赖关联网络和长期行为分析。理解风险类型，是设计A/B测试实验组和对照组的前提。

三、风控策略体系：规则、模型与名单的协同

一个完整的支付风控策略体系通常由四层构成：

• 名单层：黑名单、白名单、灰名单。用于快速命中已知风险或可信主体。
• 规则层：基于阈值、频次、时间窗口、关联关系的确定性规则。例如“同一设备1小时内支付超过5笔且金额递增”。
• 模型层：机器学习模型输出风险评分，用于处理规则难以覆盖的复杂模式。
• 策略编排层：将名单、规则、模型结果组合成最终决策，如放行、拦截、挑战、人工审核。

策略体系的核心不是“规则越多越好”，而是“分层拦截、逐级升级”。低风险交易快速放行，高风险交易直接拦截，中间灰色地带通过挑战或人工审核进一步确认。这样既能控制风险，又能避免过度拦截。

决策示例：
if 黑名单命中:
    拦截
elif 模型评分 > 0.9:
    拦截
elif 模型评分 > 0.7 and 规则命中数 >= 2:
    挑战（短信/人脸）
elif 模型评分 > 0.5:
    人工审核
else:
    放行

四、误杀与漏杀：定义、业务影响与复盘

误杀是指风控将正常交易判定为风险交易，导致放行失败、挑战过多或人工审核延迟。漏杀是指风控未能识别出真正的风险交易，导致资金损失或拒付发生。

两者是一对天然矛盾：放宽策略会降低误杀，但可能提高漏杀；收紧策略会降低漏杀，但可能提高误杀。业务影响也完全不同：

• 误杀的业务影响：支付成功率下降、用户投诉增加、客服成本上升、商户流失、品牌信任受损。
• 漏杀的业务影响：直接资金损失、拒付率上升、渠道罚款、商户保证金被扣、甚至被卡组织列入高风险名单。

在实际业务中，误杀率通常比漏杀率更容易被感知，因为用户会立刻投诉；而漏杀往往在事后对账或拒付时才暴露。因此，风控团队需要建立“误杀-漏杀”双向监控体系，而不是只盯一个指标。

复盘时，建议按以下清单逐项检查：

1. 误杀案例是否集中在特定规则、模型分段或名单？
2. 漏杀案例是否暴露了新的风险模式或数据盲区？
3. 挑战策略是否有效区分了正常用户与风险用户？
4. 人工审核的通过率与时效是否影响了最终支付成功率？
5. A/B测试的实验组与对照组是否在相同流量分布下对比？

只有把支付流程、风险类型、策略体系和误杀漏杀的定义统一起来，后续的A/B测试才有稳定的实验基础。否则，实验结论很容易被口径差异、流量偏差和短期波动所干扰。