2. 支付风控核心指标：定义与计算

支付风控的收益评估，本质上是围绕一组核心KPI的量化博弈。理解这些指标的定义、计算口径与业务含义，是设计A/B测试实验、解读实验结果的前提。本章将逐一拆解交易成功率、欺诈率、误杀率、用户申诉率、坏账率等关键KPI。

2.1 指标全景与业务视角

风控指标并非孤立存在，它们构成了一个相互制约的“不可能三角”：提升交易成功率往往伴随欺诈率上升或误杀率增加；过度压制欺诈率则可能误伤大量正常用户。下表从业务视角对比了各指标的核心关注点：

指标名称	核心关注点	理想方向	典型数据来源
交易成功率	用户体验与营收	↑ 越高越好	支付订单系统
欺诈率	资金安全与合规	↓ 越低越好	风控审核 + 事后确认
误杀率	用户误伤与客诉	↓ 越低越好	用户申诉 + 人工复核
用户申诉率	服务体验与信任	↓ 越低越好	客服工单系统
坏账率	最终资金损失	↓ 越低越好	财务结算与催收

2.2 核心指标定义与计算公式

2.2.1 交易成功率 (Transaction Success Rate, TSR)

定义： 在所有发起的支付请求中，最终被风控系统判定为“允许”并通过支付渠道成功完成的交易占比。

计算公式：

交易成功率 = (成功完成的交易笔数 / 总发起支付请求笔数) × 100%

注意： 分母通常包含所有进入风控引擎的请求，包括被风控拒绝、被渠道拒绝、超时等。分子仅包含用户最终成功支付的订单。

2.2.2 欺诈率 (Fraud Rate, FR)

定义： 在已完成的交易中，经事后确认（如用户举报、商户投诉、风控复盘）为欺诈交易的占比。

计算公式：

欺诈率 = (确认欺诈交易笔数 / 总成功交易笔数) × 100%

注意： 欺诈率是滞后指标，通常需要T+1或T+7才能准确统计。分母是“成功交易”，而非“所有请求”。

2.2.3 误杀率 (False Positive Rate, FPR)

定义： 在所有被风控系统判定为“拒绝”的交易中，经人工复核或用户申诉确认为正常交易的占比。它衡量的是风控模型的“过度防御”程度。

计算公式：

误杀率 = (被误判为欺诈的正常交易笔数 / 风控系统拒绝的总交易笔数) × 100%

注意： 分母是“风控拒绝”的笔数，而非总请求。误杀率越高，说明模型对正常用户的伤害越大。

2.2.4 用户申诉率 (User Appeal Rate, UAR)

定义： 在交易被风控拒绝后，用户主动发起申诉或投诉的笔数占比。它直接反映了用户对风控决策的不满程度。

计算公式：

用户申诉率 = (用户发起申诉的交易笔数 / 风控系统拒绝的总交易笔数) × 100%

注意： 申诉率是体验指标，与误杀率高度相关，但并非所有被误杀的用户都会申诉（沉默流失）。

2.2.5 坏账率 (Bad Debt Rate, BDR)

定义： 在已完成交易中，因欺诈、盗刷、拒付等原因最终无法收回的款项金额占比。这是风控的最终财务损失指标。

计算公式：

坏账率 = (确认无法收回的坏账金额 / 总成功交易金额) × 100%

注意： 坏账率通常以“金额”而非“笔数”计算，因为大额欺诈对资金损失的影响远大于小额欺诈。

2.3 指标关系与A/B测试收益逻辑

下图展示了风控决策流程中各指标之间的逻辑关系与数据流向，帮助理解A/B测试中一个指标的变化如何传导至其他指标。

2.4 指标计算中的常见陷阱

• 分母混淆： 误杀率的分母是“风控拒绝笔数”，而非“总请求笔数”。若用总请求做分母，误杀率会被严重稀释，无法反映真实误伤比例。
• 时间窗口不一致： 交易成功率是实时指标，欺诈率是滞后指标。在A/B测试中，不能仅凭当天的TSR提升就判定收益，需等待欺诈标签回传。
• 金额 vs 笔数： 坏账率必须使用金额计算，而误杀率、申诉率通常使用笔数计算。混合使用会导致评估偏差。
• 沉默用户流失： 用户申诉率仅反映“发声”的用户，大量被误杀后直接流失的用户不会被计入，导致误杀率被低估。

2.5 指标在A/B测试中的收益评估框架

在A/B测试中，评估风控模型收益不能只看单一指标，而应构建一个综合收益函数。以下是一个简化的收益评估框架：

净收益 = Δ交易额 × 毛利率 - Δ坏账损失 - Δ用户流失损失 - Δ客服成本

其中：
  Δ交易额 = (新模型TSR - 旧模型TSR) × 总请求金额
  Δ坏账损失 = (新模型坏账率 - 旧模型坏账率) × 总成功交易金额
  Δ用户流失损失 = (新模型误杀率 - 旧模型误杀率) × 拒绝笔数 × 单用户生命周期价值(LTV)
  Δ客服成本 = (新模型申诉率 - 旧模型申诉率) × 拒绝笔数 × 单次客服成本

通过这个框架，可以将不同维度的KPI变化统一折算为货币化的净收益，从而做出更科学的决策。