1. 课程导论：支付风控概述、分群与评分的价值、课程目标与学习路径
1.1 支付风控：为什么是金融科技的核心战场
每一笔在线支付背后，都是一场毫秒级的攻防战。攻击者利用盗卡、撞库、恶意注册、虚假交易等手段窃取资金或套利；而风控系统必须在 100~300 毫秒 内判断交易的真伪，拦截风险、放行正常。
支付风控的挑战来自三个维度：
- 数据稀疏性：正常交易占 99% 以上，欺诈样本极度稀缺，传统监督学习容易过拟合。
- 对抗性：攻击策略持续演化，静态规则很快失效，模型需要具备自适应能力。
- 实时性：决策延迟直接影响用户体验，模型必须轻量、可解释、可快速部署。
核心认知：支付风控不是“抓坏人”，而是在“信任”与“安全”之间找到最优平衡点。分群与评分正是实现这一平衡的关键技术手段。
1.2 分群与评分：从“一刀切”到“千人千面”
传统风控依赖单一规则或统一评分卡，对所有用户使用相同的阈值。这种方式在用户行为高度同质化时有效，但在移动互联网时代，用户画像差异巨大——高频电商用户、低频理财用户、跨境支付用户的行为模式完全不同。
分群评分 的核心思想：
- 分群（Segmentation）：根据用户行为、设备指纹、交易模式等特征，将用户划分为若干同质子群。
- 评分（Scoring）：为每个子群构建独立的评分模型或调整评分卡参数，实现差异化决策。
| 对比维度 | 统一评分（传统） | 分群评分（本课程） |
|---|---|---|
| 模型粒度 | 全局单一模型 | 子群专属模型 |
| 特征选择 | 通用特征 | 子群敏感特征 |
| 阈值设定 | 固定阈值 | 子群自适应阈值 |
| 欺诈捕获率 | 中等（漏报率高） | 高（针对性拦截） |
| 误杀率 | 高（正常用户被误拦） | 低（精准放行） |
| 可解释性 | 较好 | 子群内可解释性强 |
实战经验：某头部支付平台在引入分群评分后，欺诈损失降低 37%，同时用户投诉率下降 22%。分群不是增加复杂度，而是让模型更“懂”用户。
1.3 支付风控分群评分技术架构
下图展示了从原始支付日志到最终风控决策的完整数据流与模型链路：
1.4 课程目标：从样本到模型，完整闭环
本课程不是理论堆砌，而是带你走完一条完整的 “样本 → 特征 → 分群 → 评分 → 部署” 实战链路。学完本课程，你将能够：
- 独立构建支付风控样本：处理正负样本不平衡、时间穿越、标签延迟等真实问题。
- 设计分群策略：结合业务规则与无监督聚类，产出可解释的子群划分。
- 开发子群评分模型：使用逻辑回归、XGBoost 等算法，并针对每个子群调优。
- 评估与部署：在离线/在线环境中验证模型效果，并监控模型衰减。
| 模块 | 核心产出 | 关键技能 |
|---|---|---|
| 样本工程 | 干净、无偏的训练集 | 采样、标签对齐、时间窗口 |
| 特征工程 | 高区分度特征集 | 聚合统计、WOE编码、特征选择 |
| 分群建模 | 业务可解释的子群 | K-Means、层次聚类、轮廓系数 |
| 评分卡开发 | 子群专属评分卡 | 逻辑回归、分数映射、KS/PSI |
| 部署与监控 | 线上服务 + 报表 | Flask API、模型回滚、漂移检测 |
1.5 学习路径与前置要求
本课程适合有一定机器学习基础、希望深入风控领域的同学。建议按以下路径学习：
- 基础篇（第1-5章）：理解支付风控业务逻辑，掌握样本构建与特征工程。
- 分群篇（第6-12章）：从业务规则到无监督聚类，构建稳定子群。
- 评分篇（第13-22章）：开发子群评分卡，处理拒绝推断、模型融合。
- 实战篇（第23-28章）：完整项目实战，从数据清洗到线上部署。
- 进阶篇（第29-30章）：模型监控、联邦学习与前沿趋势。
前置要求：熟悉 Python 基础（pandas、sklearn）、了解基本统计概念（均值、方差、分布）、有简单的机器学习建模经验（如逻辑回归、决策树）。如果对 SQL 和特征工程不熟悉，建议先补充基础。
1.6 本章小结
支付风控是数据科学与业务对抗的典型场景。分群评分通过“先分群、再评分”的策略，解决了统一模型在异质用户群上表现不佳的问题。本课程将带你从零开始，构建一套可落地、可解释、可迭代的分群评分系统。