风控|如何用数据分析框架应对反欺诈风控问题( 二 ) 大盘

3. 数据质量由于业务线多而杂，容易导致数据质量参差不齐，从而引发风控指标的变化幅度很大，因此，大盘需展示对各个基础维度的数据质量监控，比如用户基础数据、行为数据、设备指纹数据是否存在空值。
4. 指标通过与上下游数据做对比、与同时间范围内的其他维度数据进行细分比较、或者按照时间维度做趋势展示，让运营人员对各类指标的变化一目了然。
5. 系统性能通过对各个业务线的调用时长、规则策略的报错数量的展示，及时发现影响基础性能的指标变动。
二、解决风险通常到了这一步就是如何去防控风险的操作了，与日常的数据分析一样，主要也是利用分析思维解决是什么风险以及如何处置的问题。网上有多种数据分析的方法，此篇不做赘述，主就思维来简要总结一下。前面在发现问题上主要是发现异常值或者拐点，也就是通过数据挖掘发现风控问题，在找到问题点以后，思路就到了如何配置规则策略来防控，笔者目前的经验如下：
1. 熟悉每一个指标，包括其指标的各项基础统计属性数值每个指标都是可量化的，通过了解其基础统计指标值，比如均值、众数、中位数、最大值、最小值等，可掌握数据基本特征，这些基本特征就是挖掘风控异常特征的基石。因为风控需要挖掘出异常用户，因此通过分析当前指标数据特征，并辅以对比性分析、分组分析、聚类分析等多种方法，可挖掘出异常用户。
2. 熟悉每个特征背后的风控和业务意义每次欺诈类风险产生的背后都包含了具体的某个业务以及黑产对应的攻击方式，了解业务才知道防控/对抗的策略侧重点在哪里，通过指标的层级分析，定位了到了具体风险特征，策略才有方向所指。举个具体的实例：如果发现注册环节有大量同IP多账号的特征，如果此刻业务又有拉新送礼包的活动，那说明此刻存在批量注册的风险，如果还发现这批用户有虚拟号码的特征，则说明大概率是被羊毛党做了批量脚本注册了。因此在策略方面就需要多考虑几个与羊毛党相关的规则策略来识别。以上只是一个大概思路，因为对抗的频率和风险特征反复无序，因此在发现问题和解决问题这两个大的节点上，其实还需要熟练的数据分析操作和快速应变的方法，其捷径就是多参与对抗、多积累经验、多掌握数据分析的各类技巧和方法。
作者：小玛，某金融公司风控分析师一枚;专注风控多年，持续更新风控系列文章;“数据人创作者联盟”成员
本文由@一个数据人的自留地原创发布于人人都是产品经理。未经许可，禁止转载
【风控|如何用数据分析框架应对反欺诈风控问题】题图来自pexels，基于CC0协议