风控是一个对抗性很强的工作，风控PM是一个很nice（耐撕）的人。
当你有了比较强的防御措施之后，敌人（对不起，其实不应该说敌人，应该说黑产或者“平台不喜欢的用户”，但如果你在“风控类PM”的面试时，如果说“敌人”，可能会引起共鸣加分哟）就会知道他们的某些行为触犯风控规则，此时他们不会无谓地尝试浪费手里的资源。
目前黑产非常庞大，他们可能拥有比风控策略还要全的一套流程和资源。
这要求风控策略要不断的更新升级，而且监控、回顾和分析历史规则是一项基本的风控工作，那么，PM必须要及时地更新策略以及策略的玩法，保证你所负责产品范围的风控策略的灵活性。
总的来说，风控类PM要记住的一个很关键的点，其实也挺有意思——就是我们做PM，往往都说用户是上帝，尤其对于C端要和用户做朋友，他们所想所需你应该要满足，同理B端也是大概如此，只是用户不是个人可能是企业可能是内部某群体。
但是，风控PM则不同，你的落地所面向的用户，其实看起来是用户，但其实不是真正的用户，或者理解不是一个符合你产品业务、公司行业规则的正常用户，而是敌人，所以你这个对待“用户”的关系要调整，你可以换位思考可以用同理心，但是你的取向更多是对抗性质，就如同我为什么第一句就是说风控本质就是一个对抗。毕竟你的所研究用户化对象是一群善于伪装，不断调整和改进，想尽办法模仿成正常人，享受着与风控对抗并获利的一群人，所以风控策略PM也是无时无刻不在攻防呀~。
#目录#
一、先说下风控金融的基本业务和风控规则
（1）风控金融所针对的业务
（2）金融的主流风控规则和体系（干货+认知）
二、再谈谈系统层面的架构（上下游、中台、支撑层面）
（1）中台
（2）风控产品系统架构
三、最后谈金融风控——策略模型
（1）金融风控模型体系的认知
（2）金融风控的模型评分标准
1、A卡
2、B卡
3、C卡
（3）重要金融风控策略模型1：A卡（贷前信用风险模型）
1、PM要分析会遇到的风险问题
2、模型举例分析
（4）重要金融风控策略模型2：B卡（贷中反欺诈模型）
（5）新颖金融风控策略模型：社交网络在风控模型中的应用
四、没有小结的总结
一、先说下风控金融的基本业务和风控规则
（1）风控金融所针对的业务
一般来说，目前比较大和成熟的金融产品，其实都属于消费金融。他们的一些业务、产品，就是如：
消费分期（如唯品会的唯品会、唯品贷、支付宝的花呗、携程金融拿去花、京东白条等等）；
现金分期（如蚂蚁的借呗、携程金融的借去花、京东金条..）；
理财产品（银行产品or第三方合作）
信用卡（银行合作、自家网上银行）；
供应链金融（上下游业务合作、银行合作）；
其实金融如同商品可以很灵活，业务驱动导致产品不同，很多很多分类列不完的，但比较常见和主流就是以上这些，也是大部分用户所玩的产品，业务盈利来源。
（2）金融的主流风控规则和体系（干货+认知）
金融是很大的，本篇内容只针对互联网金融来看，即是消费金融，如蚂蚁金融，支付宝，美团金融，JD金融，携程金融等等都是。
这类消费金融的风控，主要是针对“风险”的预测、审判。
就是说更多是：有无资格呀？能过审判吗？会不会欺诈呀？会不会延迟还款呀？会不会违约呀？
大白话，就是你要借钱给某人，你会怎样思考和怎样做？ （比较粗暴可以这样理解）
整个金融风控，大的来说就是抵御风险。
而PM就是要设计一些规则应用到模型中来帮助抵御风险。
所以，金融风控即抵御风险，金融风控更多最后是要建立某个风险体系，或者说基于不同业务所应用不同风险模型得出的等级效果估算。【如果PM面试相关的，这话可以作为观点，作为思考输出】
【补充：干货】
这类消费金融的风险大体可分为：可控风险、不可控风险。
（图片有问题失真了，在底部圈住的文字，就是我下面书写的文字点，比如....）
算法能解决的主要是可控风险；（比如：欺诈风险、信用风险及作业风险；其中，欺诈风险指的是客户在发起借款请求时即无意还款，按照人数可以分为团伙欺诈和个人欺诈，欺诈者往往通过伪造身份信息、联系方式信息、设备信息、资产信息等方式实施欺诈）
信用风险：指的是借款人因各种原因未能及时、足额偿还债务或银行贷款而违约的可能性。（比如市场风险、实质风险及名义风险、政府“红、黑名单”征信制度等）
所以这里综合小结一下，金融风控中，模型占据很高的地位，大厂都是玩这个。
所以接下来在第三部分会重点谈。（第二部分接下来是一些基础的系统和产品层面的架构介绍，以携程OTA为例、并且介绍下最近很热的“中台”）
二、再谈谈系统层面的架构（上下游、中台、支撑层面）
【补充1】：
要介绍这块，是为了让风控金融类PM，其实也不仅仅是这类PM，而是我们整个策略PM在负责某个产品都需要去了解这样的背景。
为何呢？
因为策略类PM更多都是属于“承上启下”的角色，要么支撑，要么应用，都是有上下游流转的概念。你知道了上下游才能更好去开展工作。
要介绍部分，需要先介绍一个概念，也是目前比较热的“中台”。
（1）中台
这个概念介绍，网上很多了，所以简单大白话说说即可。
我这里主要强调在金融风控中：它是什么东西，为什么要它。
中台这个概念早期是由美军的作战体系演化而来的，技术上所说的“中台”主要是指学习这种高效、灵活和强大的指挥作战体系。
（比如电商领域，经过十几年的发展，组织庞大而复杂，业务不断细化拆分，也导致野蛮发展的系统越来越不可维护，开发和改造效率极低，也有很多新业务不得不重复造轮子，因此业界诞生了不少知名中台系统，最著名的是阿里云的数据中台建设。）
首先，有中台的多数是公司业务、技术相对成熟完善的平台。即中台模型是基于完善的技术平台的，如阿里的中台就很出名，甚至有个中间组件团队“横扫”阿里内部，这个横扫是指支撑的作用和重要性描述。
其次，这种数据中台一般可以抽象为三个层次，底层是基础数据层，中层业务抽象模型层，以及最上层的算法模型层。
最后，在我以往所见所闻，对内部中台的理解是：大数据中台的目标是为了解决效率问题，同时降低创新成本。 细化具体如下:（面试如果问到中台，可以结合经验说说自己的简短理解，供参考）
中台的目标：减少沟通成本，提升协作效率；
中台的实现手段：制定标准/规范、提供高可用数据/算法/应用服务、提供统一、标准的数据研发工具；
中台的原则：数据资产的集中管控，分布式执行。
【补充2：】
最后补充一个中台的全景图（以携程金融为例）
（2）风控产品系统架构
【补充1】：
其实风控也是近几年慢慢兴起。
这个很简单的逻辑，没有用户量没有利益对抗根本不搞风控都是可以的。
但是随着业务发展，用户量增多，风控就必要了。
尤其是大数据、人工智能相关的兴起，有了技术支撑。
那么通用的风控产品系统架构，后面发现携程不错。
为啥？
因为也是平台级，并且是O2O+OTA平台，适用性很强，还可以连通线下数据，有很强借鉴意义。并且11年他们才开始搭建风控体系，这个时间点其实也刚好是云计算等概念开始兴起，所以有很强背景性。
以携程为例。按其内部说法，现在最新的架构属于3.0版本，也就是引入了上面中台的东西。
但是最初的风控小系统是11年开始搭建起来，大概经历了几个大的迭代。所以下面就一步步去看这几个过程的“进化”。这些内容不是这篇文章的重点，所以更多是罗列和总结一些特别之处。主要是保持完整性，我更多以图片说明。（图来自携程内部风控大数据以及我的一些梳理）
第一阶段：
这个时候的风控服务将所有在线决策功能整合在一个系统内实现，包括规则判断、名单库、流量计算。
而这些逻辑都基于数据库实现。
基于当时携程对风控的需求，系统以满足功能为主。
PM大白话去理解：
规则怎么判断？
就是根据数据库记录大于、小于、等于等判断规则，接收到风险事件后获取流量值和规则进行比较，得到最终的风险判断；
名单库怎么判断？
数据库维护黑白名单信息（属性类型、属性值、判断依据等），程序判断风险事件中的值是否命中名单。
第二阶段：
然而，在上线运行一段时间后，随着携程业务的增长，风控系统的流量不断增加，基于SQL的流量统计耗时严重制约了系统的响应时间，因此优化改版。
那么怎么改呢？
由于主要性能瓶颈在于数据库实现的流量查询，这次优化主要方向就是优化流量查询的实现：在原来单个数据库的基础上，采用分库分表的方式均摊压力，以达到更快的响应时间和更高的吞吐量。架构图如下：（下图）
这个阶段的版本比较重要。是为后面新版打了很关键的基础。
从特点来看：
更方便快捷的接入除了支付风险，业务的风险也需要风控支持；
更多的外部数据接入：用户信息、位置信息、UBT信息；
更丰富的规则逻辑：支持任意变量的规则判断，支持更多的判断逻辑；
更高的性能：流量10x的增长，响应时间不超过1秒；
编程语言的更新：携程推动公司内.net转java。
基于以上，才有了实时性的风控在线支撑。也就是3.0版本了。
第三阶段：
个人认为这个版本有几个很不错的亮点：
1，有全链条的风控。就是看上图，从你设备行为（采集分析）到出票（交易完成）的全链条都是风控有监督；（别小看这个设备采集的环节，在整个体系中，指纹数据采集和指纹识别生成，从而判断设备的唯一性，而唯一标识用户的身份是非常关键的。冤有头债有主）
2，全链条相关联的。就是上下游环节相互影响，相互分析和判断；
3，引入了用户风险画像。这个可以说是用户画像中比较特殊的内容标签了，风控。
4，实时。
【补充2】：
为了更好理解上面的第1点找了一些相关图片补充。依次排列：
三、最后谈金融风控——策略模型
在最前面讲到金融风控的风险体系——消费金融的风险大体可分为可控风险及不可控风险，所以这里的策略模型就是为了规避这些风险而诞生的。
（1）金融风控模型体系的认知
一般来说，从上上面看整个系统流程图，可以知道的是：风控模型贯穿获客、准入、经营、逾期的整个客户生命周期。
所以，按消费金融类产品而言，大范围通用的手段：是可以根据用户生命周期的不同阶段，可将风控模型分为贷前信用风险模型、贷中行为风险模型、欺诈检测及贷后催收模型。
不过在实践中和业务事实上，抓住信贷审批管理就能控制80%的风险，一旦用户获得授信，后续的管理只能控制20%的风险。
除此之外，其实核心也可以根据：贷前、贷中、贷后不同场景，可以从不同的观测粒度进行建模与抽象。
拿携程金融的业务来讲：PM可以这些角度去看：
可以从每一笔交易角度来看，
可以从携程生态中用户账户来看，
可以从自然人概念为核心的客户级别来看。
一个自然人客户与账号可以是一对多的关系，一个账号与交易也可以是一对多的关系。
【补充1】：
根据上述的前中后，业务和应用算法策略：（图来自）
（2）金融风控的模型评分标准
你有无额度、额度多少、
能不能开信用卡、
为什么没有借呗对你开放....
其实，如今在银行、消费金融公司等各种贷款业务机构，普遍使用信用评分，对客户实行打分制，目的是想对客户的风险水平有一个准确的判断，并作为风险定价的重要手段。
行业内常用的是ABC三张评分卡。A卡、B卡、C卡分别表示：
申请评分卡(Application Score Card)，
行为评分卡(Behavior Score Card)，
催收评分卡(Collection Score Card)。
1、A卡
A卡：在获客过程中用到的信用风险模型。
从模型的角度来看，它会对用户未来一定周期内的逾期风险作预测，即模型会在用户授权的情况下收集用户多维度的信息，以此来预测逾期概率。
预测的逾期概率被用于风控策略或者转换成信用评分。（比如国外经典的FICO评分，国内的蚂蚁信用芝麻分、京东小白评分、携程金融的程信分等。A卡评分除了用于决定是否通过用户的信用申请，还用于风险定价，比如额度、利率等。）
2、B卡
B卡：行为评分。即用户拿到信用额度后，模型根据用户的贷中行为数据，进行风险水平的预测。
本质上讲，这个模型是一个事件驱动的模型（即输入多维度行为——输出结果预期分，不同的选择造就不同的结果，很多黑产卖pos机或者养卡，就是利用一些银行的规则），在互联网金融领域，一般会比A卡的预测时间窗口要短，对用户的行为更为敏感。（因为B卡除了可以用于高风险用户的拦截，也可以作为额度、利率调整的重要参考因素。）
3、C卡
C卡：催收评分会判断。
这个比较好理解，没有那么复杂，简单说就是怎样追债成功率会大一些。who、time、how much...(例如当用户出现逾期时，机构应该先催谁，或者哪些用户不用催，就自动会把钱还回来。催收模型一定程度节约催收成本，提高回催率）
【补充：小结】
个人认为上面的，金融风控PM一般会比较关注AB类，C类往往是由一些“催债员”去跟进。
其中以A卡为重点策略模型。为何？
因为决定给不给你，等同吸引他人掏钱购物，是一个本质重要性。（下面以金融+风控PM角度去看，重点分析几个金融风控策略模型）
（3）重要金融风控策略模型1：A卡（贷前信用风险模型）
1、PM要分析会遇到的风险问题
贷前主要解决用户准入和风险定价问题。（大白话去理解就是：即面对一个新申请的进件用户，判断用户是否符合产品的放款条件及相应的放款额度、价格、期限等问题。）
【补充1：】（面试会经常问答的）
（PM面试，回答从来离不开业务+业务遇到的问题，没有这个为前提的任何思考和需求都是比较虚的，没有支撑点。）
细分问题，PM所重点关注侧策略模型，要解决的关键点：
1、反欺诈识别：根据用户提交的材料进行身份核实，确保用户不存在欺诈行为；
2、信用评级：与传统银行的信用评分卡原理类似，数据维度更加丰富，综合用户的社交数据、行为数据、收入数据等，判定用户的信用风险等级，评估用户的履约能力；
3、风险定价：根据用户的负债能力和收入稳定性，判断用户可承担的月供金额，确定用户的放款额度、偿还期限等，并根据用户风险等级确定用户的费率。
这三个问题往往是互相影响、互为前提的。
（举个简单的例子，对一个月收入3000的用户来说，月供在1000左右，用户可能履约良好，信用等级良好；但如果月供提高到4000，严重超出了其收入水平，即便不是有意欺诈，也可能出现断供的情况，从而得到比较差的信用等级）
2、模型举例分析
（从PM角度去看，以携程金融为例，看看信用风险建模（A卡）做了关键点。）
首先从模型的源头，建模开始。
PM会对A卡建模工作的侧重点，主要包括如下几方面：（前两点比较口水话，个人价值一般般，面试也比较少深挖的。第三和第四点重要，此类PM实践工作会较多的，遇到问题也是这些环节出现较多，可以重点mrak）
确保策略的一致性。就是尽量减少人工干预，并利用机器学习的优势提升决策效率；
准确反映并量化用户的风险级别。策略人员可以控制和减少风险损失，因此对评分卡等级的排序能力、稳定性要求会比较高。
对好坏用户定义。（这部用户画像PM会参与进来的）这个很有意思，因为风控是对抗性，所以这里的用户心理和传统PM所想的不一样。（这个我在后面补充了）
样本规模筹备、算法迭代推进。简单说就是不断找新的数据去测试，测试好了又不断升级。同时不仅仅是数据量不断更新，当有了新的业务，那么发展起来的风控也是需要不同的。（这个也比较核心，后面补充了）
【补充1：如何定义好坏用户】
所谓好坏用户，这一点可能是A卡甚至是互金大部分风控模型的最基础最核心的工作。
（前面别小看这个，这个不是那么容易和简单解决的。虽然看就像性别标签，无非男抑或男。但是！在大数据大互联网背景下的风控，你要定义用户好坏，进而分配资源和权限资格给特定用户，其本质对公司产品业务是十分影响的。就如10个犯人中，但误捉了5个人导致冤狱，后果不仅仅是这5个人的被冤枉，更加反映是用户群和市场对这个产品的信心不足（对司法体系不信任））
PM对这个模型建立的核心工作：
是对样本标签的定义；
是与实际业务场景、策略目标相一致；
是综合考虑不同定义下的样本量；
【补充：案例】
上面比较虚，补充一下案例。
（以下可以作为面试时的具体案例分享，或者你对风控案例的一些思考。可以作为面试的回答。如果有经验和把控，想获得强的把控，一定要学会设计提问和作答，让面试官下个问题会问到你预期设想的，注重社区的文章逻辑，如果有心，基本全部内容都可以变成面试回答点。当然，这是要分方向的前提。你不可能面试推荐PM回答风控PM的点。）
比如1：
在现金分期场景中，可以画一下用户回款率（或者滚动率）和逾期天数趋势分布曲线，用户逾期N天以后回款率或者滚动率便已经趋于稳定(梯度平稳)，则可以N天以上逾期作为筛选坏样本的依据。
比如2：
在某些场景下，如曾经的Payday Loan，由于整个业务周期只有半月或1个月，为加快模型迭代速度，有时甚至会定义7+甚至1+逾期用户为坏客户。在一些银行场景中，出于坏账计提考虑，可能定义90天以上逾期为坏客户。总之，好坏用户的定义不能纯靠人工经验，应该以场景的数据为基础，进行数据分析之后确定。
【补充2：如何不断迭代算法】
这个一般是分阶段的：
如在业务初期，样本数据量极少，往往根据相关业务经验确定使用的特征和规则；（说的不好听就是团队自己内部推理，分析，经验预判）
如随着数据的慢慢积累，开始采用部分精细特征，使用简单的机器学习算法训练；
如当样本数据量积累到百万级以上，可以尝试采用神经网络算法进行特征自动提取或者end-to-end的风控模型训练；
【面试回答，可以用以下的话作为总结，口水话】
总之，金融的风控模型优化的过程，实质是紧随着业务从无到有、从小到大，数据量由少变多，特征由粗到细，模型由简单到复杂，效果由一般到突破的过程。
这个不管是阿里系的还是携程的 乃至很多大厂的都是如此。
【补充A：案例】
（附上携程某产品-XX花的迭代算法版本效果图）
【补充B：金融风控PM在这个阶段怎么做？】
这个补充是来自于一些内部学员的反馈。就是希望更具体知道这个阶段推进迭代是怎么开展的。
其实对于一个模型来说，你要达到什么指标，满足或者不满足，不满足就继续推进呀。
而你要推进这个迭代所期望的目标，就要分析目前是有什么不足和问题，需要找资源呀。
这个本质和传统PM或者其他策略PM，都是相通的。
但是！
这里的资源和判断方法是有区别的，你所监控的数据指标是也是有区别的。（如你要判断客户C端好不好，可能是通过日活，留存等指标，但是算法策略模型，肯定不是说就这些了。如技术指标AUC这些是主要的。）
下面说说：
假设在模型建立后，需要对模型的预测能力、稳定性进行评估，从而进行推进迭代。
那么，看模型效果不能只看KS，KS定义是从0-1概率之间好坏样本累计概率最大差值，实际应用中一般不会直接取这个阈值（cutoff）作为策略，因为在这种cutoff下，通过率可能会很低；
风控不能不管业务，举个极端的例子，通过调整cutoff，风控几乎可以做到任意想要的逾期率，但这样通过率就很低了，业务规模可能只停留在极少数资质优秀的客户；
所以评估模型时，基于风险的评估及基于业务的评估是必须的。
因此，模型评估可分为三层：
第一层：机器学习模型评估指标。信用评分模型常用的评估指标为KS、AUC等。 考虑到金融业务反馈周期长的特点，除了划分训练集、测试集外，通常会预留一段训练样本覆盖时间段之外的数据集，作为OOT（跨时间）测试集，以测量模型在时间上的稳定性；
第二层：风控层面；（比如在不同bucket下，预测概率的排序性能）
第三层：业务层面；（比如拦截率，通过率，逾期表现等）
补充：上述的一些指标和评估解释，可以参考下面这两篇内容作为发散和查阅：
如果要看更详细的AUC，ROC，点击这里：我看到的最透彻的讲解。
总之，基于上面的评估分层，监控也做对应的分层监控，如果有条件，还可以对输入到模型中的特征进行监控（比如特征的分布、波动率等）。
那么重点来了，你监控这么多维度就可以判断ok不ok，正常不正常，哪些不正常你就根据业务目标、系统目标去反推不足进行迭代。
仅此而已，有时候对于风控金融策略类PM，其实不用把他们想的太复杂和深奥。
（4）重要金融风控策略模型2：B卡（贷中反欺诈模型）
贷中反欺诈按粒度可分为两类，用户级与交易级。
用户级粒度：这个会相对粗一些，即断定当前客户为欺诈客户，可能的策略就是不允许欺诈用户在平台上发生交易行为；
交易级粒度：这是较细粒度的，即根据交易上下文、IP、设备、地域判断当前交易是否为欺诈交易，如果是，即不允许客户进行此笔交易。
PM需要关注贷中反欺诈模型，有3方面的关键点：
① 长尾分布：欺诈用户其实是极少的
② 对抗性显著：欺诈用户会想办法找出系统及规则的漏洞
③ 模仿正常行为：欺诈用户会利用伪造消费流水，前期正常还款等行为等，让金融公司放松警惕，当提额到一定程度后，便开始逾期。
【除了以上，我建议想风控类PM，不管是了解还是想转行，可以从信用卡养卡策略和规则研究研究...，理由不解释】
（5）新颖金融风控策略模型：社交网络在风控模型中的应用
社交风控模型，本质就是基于社交网络的反欺诈。
（之前的借贷宝，就是很典型的基于该模型的一个P2P产品，熟人借钱等也是）
基本思想其实很简单，物以类聚，人以群分。
比如：一个欺诈分子，可能与其有关系（在Graph上表现为有直接的边连接，这种也称之为一阶亲密度；或者通过边的游走能够触达，这种称之为多阶亲密度），那么可能这些与之有关系的用户也是欺诈分子。
【补充1：对社交风控模型（反欺诈）的解释】
好多人应该比较好奇这种模型。（微信内部也有这样的模型，但应用是在微信内部，朋友圈等方面，这个不方便多讲，下面以携程金融的风控社交网络为例，谈谈实践方面PM的思考点）
如图所示，通过梳理携程生态内关键实体、关系。
首先构建了一个庞大的异构社交网络，该网络包含10亿级别的顶点，50亿级别的边。
接下来是通过算法，发现社区(Community)。由于社交网络的数据量相对来讲是比较大的，因此在算法层面，对运算效率要求也是比较高的，同时对于社区划分的稳定性有一定要求。
在实际落地中采用LPA、改进的Louvain，实现T+1的社区发现。
最后基于划分的社区，可以获得社区的各种属性统计，这个作为反欺诈策略的重要参考。
算法的策略流程是怎样的呢？
举个例子，比如：当有一个用户到来的时候，看其属于哪个社区，根据改社区的属性确定该用户是否为欺诈用户。
据携程内部，目前在携程金融的实际应用中，基于社交网络的风控指标已经覆盖了贷中80%的贷款请求，同时通过社交网络，挖掘关系人一度或者多度关系，对严重的逾期行为，通过多度关系进行催收，提升回催率。
四、没有小结的总结
没有太多总结，对于这部分更多是金融风控+策略PM上认知上的分析。
其实还有个比较关键的内容，就是实时性的计算。
关于金融类特征指标的实时性，不会是全部都要求，只会选择一些业务需要、风险相关的。
举一些例子：（节选携程PM团队内部分享）
1、如计算维度的特征：
2、怎么计算呢？
Down，最后回顾一下，这篇主要定位是关于金融+风控类的认知。
总的来说，这篇主要想说明的是几个认知上的东西：一是了解风控中金融常见业务规则的类型（大概有个认知即可），二是了解对应架构是如何的（以携程为例，简单了解即可），三是对一些金融中常用的策略模型算法解释，这部分是重点重点（金融风控玩的就是策略+模型）。这几个都是以实践通用去说，以金融风控PM的角度去看，并且以OTA产品，以携程或者蚂蚁金融风控为例加强认知。
（如唯品会金融的唯品花，携程金融的拿去花，蚂蚁支付宝的花呗等服务，其实在金融中既属于业务也属于理财或者消费产品，对于风控+金融类PM，这些是他们落地实践和应用的产品对象。）
—————
以上，谢谢
希望对你有帮助，
可以分享给有需要的人~
