商户风险画像：从数据到标签的体系化构建

商户风险画像是风险分群的基础。本章围绕商户基础信息、交易行为、历史风险三大维度，构建一套可落地、可扩展的画像标签体系，为后续评分沙盘提供特征输入。

2.1 商户基础信息画像

基础信息画像反映商户的静态属性，是风险识别的第一道筛网。核心字段包括注册信息、经营资质、法人特征等。

2.2 交易行为画像

交易行为画像是动态风险的核心来源。通过分析交易频次、金额分布、时间模式、设备指纹等，识别异常交易模式。

• 交易频次画像：日交易笔数、小时峰值笔数、间隔标准差。高频短间隔 → 疑似机器刷单。
• 金额分布画像：单笔均值、中位数、离散系数（CV）、大额交易占比。CV>2.0 且大额占比突增 → 套现风险。
• 时间模式画像：夜间交易占比（0:00-6:00）、节假日交易占比。夜间占比>40% → 非正常经营。
• 设备与IP画像：设备ID数量、IP归属地集中度、代理IP使用率。单商户关联设备>50 → 聚合支付或二清风险。

2.3 历史风险画像

历史风险画像记录商户在风控系统中的“案底”，包括逾期、拒付、投诉、处罚等事件。

2.4 画像标签体系设计

画像标签体系是将原始数据转化为可计算、可解释的风险特征的关键步骤。设计原则：可枚举、可计算、可解释、可迭代。

标签体系三层结构

1. 基础标签层：直接映射原始字段，如“注册时长=180天”、“法人年龄=35岁”。
2. 衍生标签层：通过统计聚合或规则计算，如“夜间交易占比=32%”、“设备关联数=12”。
3. 风险评级标签层：基于阈值或模型输出，如“欺诈风险=高”、“逾期风险=中”。

标签体系示例（部分）

画像标签体系架构图

2.5 画像标签的实战应用流程

从原始数据到最终分群标签，需经过以下标准化流程：

1. 数据接入与清洗：对接商户系统、交易系统、风控事件库，处理缺失值、异常值、重复数据。
2. 特征工程：基于画像维度生成衍生特征，如滑动窗口统计（近7天/30天）、比率特征、趋势特征。
3. 标签计算与存储：按照标签体系定义，批量计算并存入标签宽表，支持在线查询。
4. 标签质量监控：每日监控标签覆盖率、分布偏移、空值率，触发告警。
5. 分群与评分输入：将标签作为特征输入分群算法（K-Means、DBSCAN）或评分模型（逻辑回归、XGBoost）。

2.6 画像标签体系设计检查清单