1. 支付风控概述
1.1 支付行业面临的主要风险类型
支付业务在高速发展的同时，也暴露在多种风险之下。理解这些风险是构建风控体系的起点。根据风险来源和目的，可归纳为以下四大核心类型：
| 风险类型 | 定义 | 典型场景 | 危害程度 |
|---|---|---|---|
| 欺诈 | 利用虚假身份或诱导手段，骗取资金或商品。 | 虚假注册、刷单、账户盗用后虚假交易、钓鱼网站支付。 | 高（直接资金损失） |
| 盗刷 | 持卡人卡片信息泄露后，被他人冒用进行交易。 | 信用卡CVV泄露、伪卡交易、无卡支付（CNP）盗刷。 | 极高（涉及银行赔付） |
| 洗钱 | 通过支付渠道将非法所得转化为合法资金。 | 拆分交易（化整为零）、利用虚拟货币/礼品卡、空壳商户收款。 | 极高（法律合规风险） |
| 套现 | 利用信用卡或消费信贷额度，虚假交易获取现金。 | 虚假商户扫码、大额整数交易、频繁退款再支付。 | 中高（破坏信贷生态） |
实战视角： 在实际业务中，一笔异常交易可能同时包含多种风险特征。例如，一个刚注册的账户（欺诈特征）使用一张被盗的信用卡（盗刷特征）在虚拟商品商户（洗钱特征）进行大额整数交易（套现特征）。评分通道需要综合评估这些多维度的风险信号。
1.2 风控核心目标：平衡与博弈
支付风控并非追求“零风险”，而是在 资金安全、用户体验 和 业务增长 三者之间寻找最优平衡点。核心目标可拆解为：
- 拦截欺诈损失： 识别并阻止恶意交易，降低拒付率（Chargeback Rate）和坏账率。
- 保障用户体验： 避免误杀（False Positive）正常用户，减少验证环节，提升支付成功率。
- 满足合规要求： 遵守PCI-DSS、反洗钱（AML）、KYC等监管规定，避免巨额罚款。
- 提升运营效率： 自动化决策替代人工审核，降低风控团队的人力成本和处理延迟。
关键指标： 风控团队通常使用 授权通过率（Auth Rate）、欺诈损失率（Fraud Loss Rate）、误杀率（False Positive Rate） 和 人工审核率（Manual Review Rate） 来衡量风控效果。
1.3 评分通道在风控体系中的位置
现代支付风控体系通常采用“分层过滤 + 实时决策”的架构。评分通道（Scorecard / Scoring Engine）处于 实时决策层 的核心位置，它接收来自各个数据源的特征，输出一个风险评分，并以此驱动后续的决策动作。
1.4 评分通道的输入与输出
评分通道本质上是一个 映射函数，将高维的特征向量映射为一个一维的风险分数。其工作流程可概括为：
- 输入： 接收来自特征工程层的数百个特征变量（如：IP地址距离、登录频次、下单速度、历史拒付次数等）。
- 计算： 通过预训练的模型（如逻辑回归、XGBoost、神经网络）对特征进行加权求和或非线性变换。
- 输出： 生成一个标准化的风险评分（例如0-100分，分数越高风险越大）。
- 决策： 风控系统根据评分和预设的阈值（Threshold）执行相应动作。
常见误区： 评分通道不是万能的。它依赖高质量的特征输入和持续迭代的模型。如果上游数据存在偏差（如样本不平衡、特征缺失），评分通道的输出也会失真。此外，阈值设定需要动态调整，固定阈值无法应对不断变化的欺诈手法。