3. 数据基础与埋点：用户画像、交易行为、设备指纹与质量要求

支付风控策略的根基在于数据。没有高质量、高覆盖、标准化的数据，任何复杂的策略模型都是空中楼阁。本章将系统梳理风控策略分群所需的四大核心数据域：用户画像、交易行为、设备指纹，以及保障数据质量的埋点规范。

3.1 用户画像数据：刻画风险主体

用户画像是风控策略分群的第一层过滤网，用于区分“你是谁”。核心维度包括：

3.2 交易行为数据：捕捉异常模式

交易行为是风控策略实时决策的核心输入。数据采集需覆盖交易全链路：

• 交易属性： 金额、币种、商品类型、支付方式（银行卡/余额/第三方）。
• 时间特征： 交易时间（工作日/节假日、凌晨时段）、距上次交易间隔。
• 频率与速度： 1分钟内交易次数、1小时内相同收款方次数、日累计金额。
• 地理位置： IP归属地、GPS经纬度、常用城市与当前交易城市距离。

3.3 设备指纹数据：识别物理载体

设备指纹是风控对抗黑产模拟器和设备农场的最强武器。一个成熟的设备指纹系统应采集以下信息：

1. 硬件指纹： IMEI、MAC地址、主板序列号、硬盘序列号。
2. 软件环境： 操作系统版本、浏览器User-Agent、屏幕分辨率、时区、语言。
3. 行为特征： 触摸轨迹、键盘输入速度、传感器数据（陀螺仪、加速度计）。
4. 网络特征： 代理/VPN检测、基站信息、WiFi列表。

3.4 埋点规范与数据质量要求

数据质量是风控的生命线。埋点不规范会导致数据缺失、口径混乱，直接造成策略误判。以下是必须遵守的埋点规范：

3.4.1 埋点设计原则

• 唯一标识： 每次请求必须携带全局唯一的 request_id，用于全链路追踪。
• 统一格式： 时间戳统一使用 UTC+8 毫秒级时间戳；金额单位统一为“分”；枚举值使用数字编码（如支付方式：1-银行卡，2-余额，3-第三方）。
• 非空校验： 关键字段（用户ID、交易金额、设备指纹）禁止为空，SDK 层需做空值拦截。
• 版本管理： 每次埋点变更需更新 sdk_version 字段，方便回溯数据差异。

3.4.2 数据质量核心指标

3.4.3 埋点数据示例（JSON格式）

{
  "request_id": "202503011430221234567890",
  "event_type": "payment_submit",
  "timestamp": 1740817822000,
  "user": {
    "user_id": "u_12345678",
    "register_days": 365,
    "real_name_level": 2
  },
  "transaction": {
    "amount": 19900,
    "currency": "CNY",
    "pay_method": 1,
    "receiver_id": "m_98765432"
  },
  "device": {
    "fingerprint_id": "df_abc123def456",
    "os_type": "Android",
    "os_version": "14",
    "is_emulator": false,
    "is_vpn": false
  }
}

3.5 数据分群策略落地建议

在实际项目中，建议按照以下步骤将数据基础与策略分群结合：

1. Step 1： 梳理现有埋点，对照上述规范进行差距分析，优先补齐设备指纹和交易行为中的“速度”字段。
2. Step 2： 建立数据质量看板，每日监控完整性、准确性、及时性三个核心指标。
3. Step 3： 基于用户画像数据，先做粗粒度分群（如新用户、活跃用户、沉默用户），再结合交易行为做细粒度分群（如高频小额、大额跨域）。
4. Step 4： 将设备指纹作为分群的“交叉验证”维度，例如“新用户 + 高风险设备”直接进入人工审核队列。