1. 课程导论：商户风险分群的定义、业务价值与评分模型定位
1.1 什么是商户风险分群？
商户风险分群是指将海量商户按照其潜在的信用风险、交易欺诈风险、合规风险等维度，通过量化模型划分为若干个风险等级或群组的过程。其核心目标是从“一刀切”的粗放管理转向“千人千面”的精细化风控。
核心定义：商户风险分群 = 基于数据驱动的评分模型，对商户进行风险量化排序与分层。
与传统的规则引擎（如“交易金额超过X元即标记高风险”）不同，评分模型能够综合数十甚至上百个特征，输出一个连续的风险评分，再根据业务需要将评分区间划分为低风险、中风险、高风险等群组。
1.2 业务价值：为什么需要风险分群？
商户风险分群在支付机构、银行、电商平台等场景中具有直接且显著的业务价值，主要体现在以下四个维度：
| 价值维度 | 传统模式（无分群） | 评分模型分群后 |
|---|---|---|
| 风控效率 | 人工审核为主，日均处理量低，漏报率高 | 自动化评分+分层策略，处理量提升10倍以上 |
| 运营成本 | 对所有商户投入相同审核资源，成本高 | 高风险商户投入80%资源，低风险商户仅需监控 |
| 用户体验 | 优质商户频繁被拦截，体验差 | 低风险商户享受快速结算、免审额度 |
| 风险覆盖 | 规则滞后，新型欺诈难以识别 | 模型自动学习风险模式，覆盖未知攻击 |
案例提示：某头部支付机构引入商户评分模型后，高风险商户识别率从62%提升至89%，同时低风险商户的结算时效从T+1缩短至实时，年节省风控人力成本超2000万元。
1.3 评分模型在风控体系中的位置
评分模型并非孤立存在，而是嵌入在整个商户风控体系的核心决策层。下图展示了评分模型与规则引擎、人工审核、监控系统的协作关系：
1.4 评分模型 vs. 传统规则：核心差异
理解评分模型与传统规则引擎的差异，是掌握本课程的基础。下表从多个关键维度进行对比：
| 对比维度 | 传统规则引擎 | 评分模型 |
|---|---|---|
| 特征维度 | 通常 3-10 个核心规则 | 50-200+ 个特征 |
| 更新频率 | 人工维护，周/月级更新 | 自动化训练，可日级更新 |
| 泛化能力 | 只能识别已知模式 | 可识别未知风险模式 |
| 可解释性 | 完全可解释 | 需借助 SHAP/LIME 等工具 |
| 维护成本 | 规则膨胀后维护困难 | 模型迭代需数据与算力 |
1.5 评分模型训练的核心流程
本课程将围绕以下标准流程展开，每个环节都将在后续章节中深入讲解：
- 数据准备与清洗 — 商户画像、交易流水、标签定义
- 特征工程 — 衍生变量、WOE编码、特征筛选
- 模型训练 — 逻辑回归、决策树、XGBoost、LightGBM
- 模型评估 — KS、AUC、PSI、混淆矩阵
- 模型调优 — 超参数搜索、样本不平衡处理、正则化
- 模型部署与监控 — 上线策略、性能监控、版本管理
常见误区：很多初学者认为模型训练就是“调包调参”，忽略了数据质量和特征工程的重要性。在实际风控场景中，数据清洗和特征工程往往占据整个项目 60% 以上的时间，且对模型效果的影响远大于算法选择。
1.6 本章小结
商户风险分群是精细化风控的基石，评分模型则是实现分群的核心技术手段。通过本课程，你将掌握从数据准备到模型调优的全链路技能，能够独立构建适用于真实业务场景的商户评分模型。