画像|用户画像在风控实战中的应用

【画像|用户画像在风控实战中的应用】编辑导语：说到用户画像，大家应该不陌生，本篇文章会通过几个维度介绍用户画像的内容，从三个方向验证其解决了什么问题，并提出构建画像的难点。推荐对用户画像感兴趣的朋友阅读，希望对你有所帮助，一起来看看吧。

文章插图
在日常的风控实战中，经常会有业务部门的同学提问：

业务中的黑产用户 / 羊毛用户是谁？他们长什么样子？
他们是怎么进来的？进来之后又去了哪里？
风控会不会误拦？误拦之后的客诉怎么去处理？
……

围绕这些实战问题，我们需要借助【用户画像】这个产品，来做详细的解释。
一、画像包括哪些内容网上其实对这个问题做了很多的介绍，只不过大家使用的场景不同，所以对于画像的定义和使用方法也不尽相同。
简单来说：画像就是一个人的wiki百科，在这个百科中，介绍了用户的来历、身份介绍、做了什么事情、在某些业务场景下的成就或者比较“有名”的事情。
只不过，繁杂的文字，对于平台或者运营而言，阅读和理解成本过高，所以又在该百科基础上，做了标签的提炼，因此出现了用户标签体系。目前市面上看到的用户画像，其实大部分是用户标签库。
用户标签库的构建程度，代表着平台对用户的认知程度。
风控场景下，平台往往会通过以下几个维度来建设：
1. 基础维度这个维度比较大，包括用户的身份子维度、设备子维度、支付子维度、手机号子维度等，在这些子维度下去构建标签；

身份子维度：年龄、性别、地区、姓名、实名记录、扩散关联等；
支付子维度：渠道、支付方式、扩散关联等；
手机号子维度：是否小号、是否接码号、是否二次放号、风险等级、扩散关联等；
设备子维度：虚拟设备、设备root、设备篡改、常用设备等。

扩散关联，一般是指以该维度为主体，基于关系图谱，查看该主体的周边关联度数，比如关联设备数、关联账号数、关联支付账号数、关联订单数等。
2. 行为维度主要基于用户在APP中的埋点数据和请求数据，来制定用户的行为轨迹，并基于行为轨迹，提炼用户的风险标签。

切换频次：近N天设备切换频次、近N天IP切换频次（geoHash、POI）、近N天时速异常切换等；
数据缺失：完整路径缺失率、请求参数缺失率、关联因子异常（例如UA、IP、设备信息等）；
APP速度：近N天机器行为（频次和时间间隔接近）、近N天用户CV时间过短等；
……

3. 订单维度主要跟交易相关，重点查看交易链路上的维度标签：

占库存：下单率、完单率、SKU商品等；
羊毛下单：打折（低价）商品的占比、平台贡献度（带来的收入 – 支出）等；
联合刷单：同一商家的占比、低价商品的占比等；
虚假交易：收货地址的真实性、地址中带有特殊编号的占比、无完整或实际轨迹的占比、接单完单时效过快的占比等。

4. 资金维度主要在提现环节，大部分的平台基本在提现环节做了同人认证，即资金只能进入账号本人账户。因此这里主要做监控为主，监控短期内资金规模、大额资金的占比、提现账号的数量等。
二、画像解决了什么问题画像的构建是否成功，是否满足业务场景的诉求，需要在实际应用中提现出来。这里从三个方向来验证画像：
1. 策略规则的生命管理风险运营同学对风险的感知和作案方式的还原，风险策略同学对风险用户群体的定位和特征的提炼，线上部署了相应的攻防策略规则。