行业关键字
第十一届『方正奖』 | 2021 C-IDEA设计奖 | 2022红点概念设计奖 | 2022年iF设计新秀奖 | 2022亚洲创意设计奖
UI设计UI理论和资料 → 正文
用户画像在风控实战中的应用
作者: 话多的熊仔 来源: 视觉同盟 时间: 2021年12月17日

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。

但所谓“道高一尺魔高一丈”,黑产的攻击手法不断的变换,原有的策略规则会进入相应的“失效期”。而感知到这一变化,可借助画像的标签内容进行水位的统计展示,以此来快速感知到。

例如:恶意占库存场景,可以查看下单率超过一定阈值用户的占比,与之前的正常占比进行比较,来感知到规则是否正在失效。

2. 单用户的风险下探

集中在客诉场景,C端用户被拦截后发起客诉,运营同学需要对风控拦截做出相应的解释,即对拦截的规则进行解释。

注意,上面讲到风控画像主要是标签库,规则依赖标签库,如果仍然是以标签库进行解释,那么意味着规则必须100%准确,太难了。

所以,在画像中,仍然需要构建风险的下探链路。构建的思路是基于用户实际发生的业务数据、行为数据、订单数据,进行反向的验证。

例如:切换设备频次过高和时速异常被拦截,那么在画像中则以详细列表的方式展示用户近N天的登录记录(因为切设备就要重新登录),在登录记录中列出设备的IMEI、设备指纹、经纬度、和登录时间,以这些数据来帮助运营进行定性。

因此,画像要支持用户风险标签的提炼,同时还要支持对于这些标签的解释。

3. 用户群组的挖掘

风险的攻防,不是单一用户的攻防,而是群体的攻防和管控,而群体中的用户表现,往往是具有相似度的。

画像是单一用户的标签集,此时可通过标签集的相似度对相似用户进行挖掘。

当然,必须承认,准确率不高,比如:下单率低,很多小姐姐只看不买,太正常了。因此往往是多个维度相加来做相似度挖掘。同时再借助关系图谱,将用户之间的强关联属性提炼出来,一个简单的群组就产生了。

而此时用户的标签,则会上升到群组,形成群组的标签,群组画像。

三、构建画像中的难点

1. 标签的实时性

画像中的标签,多则几千个,少则也有几百个,如果全部要求实时或者离线,前者造成计算资源的浪费,后者造成线上风险的漏过。

在这里,则采取一个原则来进行分类:标签的增益,即该标签在风险中的影响力 + 标签本身的动态性。

标签本身的动态性:一般是指标签的更新频率,例如身份信息,基本是不会变的;用户近30分钟的切换设备数量,这种是30分钟要重新统计的。

标签在风险中的影响力:举个例子,30分钟内用户切换设备超过3个,这个不能定义为用户有风险;30分钟内用户切换了虚拟设备超过3个,这个可以认定为用户有风险。因此前者的实时性要求不高,但后者就要求实时。

因此,在实战中,跟风控规则强关联的,往往是实时性要求高的。

2. 标签的完整度

是否所有的用户,标签体系都要建设成一样的,比如活跃用户和刚注册的新户是否一样?

这里,需要借助一个分类思想:业务场景 – 用户角色 – 用户价值 – 用户风险度,将此定义为一个空间,每往下走一级,则建设的标签内容就不一样。这个方式,有助于后续不断枚举并迭代补充遗漏的信息维度。

3. 标签的区分度

实际上,不是每个标签都会被用到,也不是每个标签都能代表用户,也就是无效标签。往往建设一个标签,用该标签对用户进行分层,无论是阈值多少,发现动不动就是80%+的用户被圈在一起,这就代表该标签是无效的。

这里有一个小的检验方式,即通过该标签 + 风险阈值,将用户进行白户、黑户、灰户的分层,如果其实现的比例接近1:8:1,则代表该标签具有一定的区分度。

当然,像年龄、城市、性别这些基础中的基础标签,是不能使用这种方式的。

四、总结

其实,用户画像实际上不只有一种,上面的观点论述,更多还是在账号维度出发,给到大家的更多是一个方法论的介绍。在实战中,还有设备画像、IP画像、手机号画像、订单画像等多种风险画像。

画像这个产品,从早期的满足业务需求下进行创建标签,到庞大标签库下的创建变量,未来的方向希望是能够自出创造标签给到业务方使用。

而在创造标签这个方向上,对于风控团队而言,除了需要加强自身的风险挖掘能力之外,还需要工程侧提供一套标准的、快捷的验证标签的产品流程,后续将会为大家介绍下这套流程的构建方式。

(责任编辑: Admin

作品欣赏

欢迎关注视觉同盟微信公众号:
微信公众平台:搜索“vudn2004”或扫描下面二维码:
English | 关于我们 | 站点地图 | 联系热线 | 合作伙伴 | 艺术顾问 | 订阅 | 手机版
版权所有 © 2004-2022 视觉同盟 visionUnion.com)
Copyright © 2004-2022 VisionUnion.com Incorporated. All rights reserved
京ICP备09005192号
视觉同盟旗下子站:品牌专区 | 创意设计人才网 | 视觉同盟社区 | 视觉同盟论坛 | 英文版