1. 课程导论：支付风控与商户风险分群的定义、课程目标与学习路径、核心概念
1.1 支付风控的定义与范畴
支付风控（Payment Risk Control）是指在电子支付交易的全生命周期中，通过规则引擎、机器学习模型、实时决策系统等手段，识别、评估、缓释和监控各类潜在资金损失与合规风险的过程。其核心目标是：在保障用户体验的前提下，最大化降低欺诈损失、信用违约与监管处罚风险。
关键认知： 支付风控不是单纯的“拦截交易”，而是一个动态平衡的艺术——既要拦截黑产攻击，又要避免误伤正常商户与用户。
1.2 商户风险分群的定义与价值
商户风险分群（Merchant Risk Segmentation）是指根据商户的历史交易行为、身份特征、行业属性、设备指纹、资金流向等多维数据，利用聚类、分类或评分卡模型，将商户划分为不同风险等级（如低风险、中风险、高风险、极高风险）的过程。
分群的核心价值：
- 差异化策略： 对低风险商户给予快速结算、低费率；对高风险商户实施延迟结算、交易限额、加强审核。
- 资源优化： 将有限的风控审核人力集中在高风险商户上，提升运营效率。
- 模型迭代： 分群结果可作为特征或标签，用于训练更精准的欺诈/信用模型。
1.3 课程目标与学习路径
本课程旨在帮助学员掌握从数据清洗、特征工程、模型训练到分群落地的全链路技能。完成本课程后，学员将能够：
- 独立构建商户风险分群评分卡或聚类模型。
- 理解并处理支付场景下的欺诈、信用、合规三类风险数据。
- 设计基于分群结果的差异化风控策略。
- 使用Python（pandas、scikit-learn、XGBoost）实现模型训练与评估。
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-3 | 风险定义、数据采集、EDA与清洗 |
| 特征篇 | 4-6 | 交易特征、设备指纹、网络关系特征 |
| 模型篇 | 7-12 | 逻辑回归、决策树、XGBoost、聚类、评分卡 |
| 策略篇 | 13-15 | 分群阈值设定、策略引擎、监控与迭代 |
1.4 核心概念：欺诈风险、信用风险、合规风险
支付风控的三大支柱风险类型，是商户分群模型设计的根本依据。下表对比了三者的核心差异：
| 风险类型 | 定义 | 典型场景 | 分群关键特征 |
|---|---|---|---|
| 欺诈风险 | 恶意第三方通过盗用账户、虚假交易、钓鱼等手段造成的资金损失 | 盗刷、套现、虚假商户注册、薅羊毛 | 设备指纹异常、IP代理、交易频次突变、新账户占比 |
| 信用风险 | 商户或用户因经营不善、资金链断裂等原因无法履行付款义务 | 交易后拒付、退款率飙升、结算账户冻结 | 历史拒付率、经营时长、行业平均违约率、资金周转率 |
| 合规风险 | 商户交易行为违反监管法规或支付机构内部政策 | 跨境赌博、非法集资、洗钱、虚拟货币交易 | 交易对手黑名单、行业代码（MCC）敏感、大额整数交易 |
实践提示： 在商户分群建模中，欺诈风险通常使用无监督或半监督方法（如孤立森林、自动编码器），因为欺诈标签往往稀疏且滞后；信用风险更适合有监督评分卡；合规风险则更多依赖规则引擎+图计算。
1.5 课程数据与工具概览
本课程将使用模拟的支付交易数据集（包含商户ID、交易金额、时间戳、设备指纹、IP地址、MCC码、退款标志等字段）。主要工具栈如下：
- Python 3.8+：pandas（数据处理）、numpy（数值计算）、scikit-learn（模型训练）、xgboost（梯度提升）、matplotlib/seaborn（可视化）。
- 特征工程：时间滑窗聚合、WOE编码、设备指纹聚类、网络图特征（PageRank、社区检测）。
- 模型评估：KS值、AUC-ROC、精确率-召回率曲线、群体稳定性指标（PSI）。
注意事项： 实际生产环境中，商户分群模型需要定期（如每周/每月）重新训练或增量更新，以应对黑产策略变化和商户行为漂移。本课程将涵盖模型监控与自动重训的实践方法。