2. 风控基础概念

在进入A/B分流与增量效果评估之前，必须先建立一套统一的风控语言。很多团队在讨论“策略效果”时各说各话：有人把规则当成策略，有人把模型分当成决策结果，有人把命中率当成准确率。概念不统一，后续的实验设计、指标口径和归因分析都会失真。本章把风控领域最常用的核心术语放回真实业务场景中，帮助你在后续章节中准确表达、正确度量。

一、核心原理：从单点判断到分层决策

风控系统的本质，是在有限信息与有限时间内，对每一个请求做出“放行、拒绝、挑战、人工审核”等决策。这个决策过程通常由四类要素协同完成：规则负责表达明确的业务红线；模型负责在复杂特征空间中估计风险概率；名单提供确定性的黑白样本；决策引擎把上述信号编排成可执行、可回溯的决策流。策略则是这些要素在特定业务目标下的组合方案。

可以用一个简化公式理解：决策 = 策略编排(规则 ∪ 模型 ∪ 名单) + 阈值切分 + 动作映射。规则、模型、名单是“信号源”，阈值是“切分点”，决策引擎是“执行器”，策略是“整体方案”。

二、核心术语与业务场景

下面用一张表把常用术语、定义、典型场景和常见误用一次说清。

术语	定义	典型业务场景	常见误用
风控规则	形如“条件→动作”的原子判断，如“同设备1小时内注册≥5次→拒绝”	注册、登录、支付、营销领券	把规则数量当成风控能力
策略	规则、模型、名单按优先级和依赖关系组合成的完整方案	大促防刷、反欺诈、反洗钱	把单条规则称为策略
模型	基于特征输出风险概率或评分的统计/机器学习组件	盗号登录识别、团伙欺诈发现	把模型分直接当决策结果
决策引擎	解析并执行策略的运行时系统，支持热更新、灰度、回溯	实时风控、离线跑批	把引擎当成策略本身
名单	黑白灰样本集合，如设备黑名单、手机号白名单	已知欺诈设备拦截、VIP放行	名单长期不更新导致误杀
阈值	把连续分数切分为不同动作的边界值	模型分≥0.8拒绝，0.5~0.8挑战	阈值拍脑袋、从不校准
命中率	触发某规则或策略的请求占比	评估规则覆盖面	把命中率当准确率
误杀率	被拦截样本中正常用户的比例（误拒率）	衡量用户体验损失	只看拦截量不看误杀
漏杀率	实际风险样本中未被拦截的比例（漏放率）	衡量风险敞口	为降误杀无限放宽

这些指标之间存在天然张力：阈值调高，误杀下降但漏杀上升；阈值调低，漏杀下降但误杀上升。风控策略的本质，是在业务可接受的误杀与漏杀之间寻找平衡点，而不是追求单一指标的极致。

三、方法流程：一次决策是如何产生的

以“支付请求风控”为例，一次完整决策通常经过以下步骤：

1. 请求接入：决策引擎接收支付请求，提取设备、账号、行为、关系等原始信息。
2. 特征计算：实时计算近1小时交易频次、设备关联账号数、历史投诉率等特征。
3. 名单匹配：命中设备黑名单则直接拒绝；命中白名单可跳过部分规则。
4. 规则执行：按优先级执行规则，如“同卡多账号→挑战”“异地大额→人工审核”。
5. 模型打分：模型输出风险概率，如0.87。
6. 阈值切分与动作映射：根据阈值把分数映射为放行、挑战、拒绝、人工审核。
7. 决策落库与回溯：记录命中规则、模型分、最终动作，供后续评估与审计。

可以用一段简化的策略配置表达上述逻辑：

strategy: payment_risk_v3
rules:
  - name: device_blacklist
    condition: device_id in blacklist
    action: reject
    priority: 1
  - name: high_freq_card
    condition: card_tx_1h >= 5
    action: challenge
    priority: 2
model:
  name: fraud_score_v2
  threshold:
    reject: 0.80
    challenge: 0.50
    pass: 0.00

这段配置说明：名单优先级最高，规则次之，模型分在阈值区间内决定动作。决策引擎按此顺序执行，并输出可解释的命中链路。

四、案例与场景：指标如何指导策略调整

假设某营销领券场景上线一条新规则“同设备1小时内领券≥3次→拒绝”。上线一周后数据如下：

• 规则命中率：2.1%，即每1000次请求约21次触发。
• 拦截样本中，人工抽检确认风险的比例为72%，误杀率约28%。
• 同期漏杀率约9%，即仍有部分风险请求未被拦截。

此时可以判断：规则覆盖面尚可，但误杀率偏高，可能伤害正常多账号家庭用户。优化方向包括：把“≥3次”调整为“≥5次”，或增加“同支付账号”条件降低误伤，或把动作从“拒绝”改为“挑战”。调整后需重新观察命中率、误杀率、漏杀率的变化，这正是后续A/B分流与增量评估要解决的问题。

五、误区与复盘

初学者最常见的误区有四个：

• 把命中率当效果：命中率高只说明规则触发多，不代表拦截准。必须结合误杀率、漏杀率一起看。
• 把模型分当决策：模型只输出概率，最终动作由阈值和策略决定。模型分高不等于一定拒绝。
• 名单一劳永逸：黑名单会过期，白名单会被污染，必须定期清洗和复核。
• 忽略决策引擎的回溯能力：没有命中链路和版本记录，就无法做增量归因，A/B实验也失去意义。