1. 风控策略概述
1.1 什么是风控策略
风控策略是一套基于数据、规则与模型，对业务风险进行识别、评估、决策与监控的自动化逻辑集合。它决定了在什么条件下允许、拒绝或人工审核一笔交易、一个用户或一次申请。风控策略通常以决策树、评分卡或规则引擎的形式落地，是金融与互联网业务中抵御欺诈、控制坏账、保障合规的第一道防线。
核心公式： 风控策略 = 数据特征 × 决策规则 × 阈值设定 × 动态调优
一个完整的风控策略包含以下要素：
| 要素 | 说明 | 示例 |
|---|---|---|
| 数据输入 | 用户画像、行为日志、设备指纹、外部征信 | IP归属地、注册时长、多头借贷数 |
| 规则逻辑 | if-then 条件判断或模型打分 | 若设备指纹命中黑名单，则拒绝 |
| 决策阈值 | 划分通过/拒绝/人工的分数边界 | 信用分 < 600 拒绝，600-650 人工 |
| 后处理动作 | 拒绝、放行、加验、降额、冻结 | 触发二次人脸验证 |
1.2 风控策略在金融/互联网业务中的核心价值
风控策略不是成本中心，而是利润保护器与用户体验平衡器。其核心价值体现在四个维度：
- 降低资金损失：直接拦截欺诈交易、逾期账户，减少坏账与赔付。
- 提升运营效率：自动化决策替代人工审核，秒级响应，降低人力成本。
- 优化用户体验：精准识别低风险用户，提供免密支付、极速放款等流畅体验。
- 满足合规要求：满足反洗钱、KYC、数据安全等监管规定，避免巨额罚款。
数据洞察： 某头部消费金融公司通过AB测试优化风控策略，在保持坏账率不变的前提下，将通过率提升12%，直接带来年化数亿元的收入增长。
1.3 常见风控场景
风控策略覆盖业务全生命周期，以下三个场景最为典型：
1.3.1 反欺诈
反欺诈是风控的第一战场，目标是识别并阻断非本人意愿或虚假身份的交易行为。常见欺诈类型包括：
- 账户盗用：通过撞库、钓鱼获取用户密码，进行盗刷。
- 虚假注册：使用接码平台、虚拟设备批量注册，骗取新客奖励。
- 团伙欺诈：多人协同，利用系统漏洞进行套利。
- 恶意刷单：电商场景下虚假交易，骗取补贴或提升排名。
注意： 反欺诈策略需要实时性极高（通常 < 200ms），且对误杀率极其敏感——误杀一个真实用户可能意味着永久流失。
1.3.2 信用评估
信用评估用于预测借款人未来的还款意愿与还款能力，是信贷业务的核心。策略通常基于以下维度：
| 维度 | 典型特征 | 数据来源 |
|---|---|---|
| 身份特质 | 年龄、职业、学历、婚姻状况 | 用户填写、第三方征信 |
| 还款能力 | 收入水平、负债率、社保公积金 | 银行流水、税务数据 |
| 信用历史 | 征信逾期次数、信贷账户数 | 央行征信、百行征信 |
| 行为偏好 | 消费频次、APP使用时长、设备稳定性 | 内部行为日志 |
1.3.3 交易监控
交易监控关注的是交易真实性与交易合规性，覆盖支付、转账、提现等环节。典型监控场景包括：
- 大额交易预警：单笔金额超过阈值，触发人工复核。
- 异常时段交易：凌晨3点高频交易，可能为机器操作。
- 异地/异设备交易：用户刚在北京登录，5分钟后在上海发起交易。
- 洗钱模式识别：快进快出、化整为零等典型洗钱行为。
1.4 风控策略与AB测试的天然结合
风控策略的每一次调整都面临收益与风险的权衡：收紧策略可能降低风险但误伤用户，放松策略可能提升体验但增加损失。AB测试为这种权衡提供了科学量化的手段：
- 小流量验证：在1%-5%的流量上测试新策略，观察坏账率、通过率、用户投诉率等指标。
- 快速迭代：每周甚至每天进行策略AB实验，持续逼近最优阈值。
- 因果推断：通过随机分流，排除时间、市场等混杂因素，准确评估策略效果。
本课程核心命题： 如何设计、执行、分析风控策略的AB测试，在控制风险的前提下最大化业务价值。