“高大上”的风控，究竟是什么？（一）

　　最近工作有点心情抑郁的我，来撸几个文吧。如果有不对的地方请各位勿喷，只是经验之谈。本期只针对风控做个概述，初步的认识，后续会进行从产品到策略上的深度解析。
　　风控对于很多人来说觉得很高大上，其实是挺高大上的，但也不是那么难的。很多人问我，是不是我得会建模？逻辑回归、决策树、机器学习、NPL等等，听起来是听厉害的，我看也是又会这又会那是挺厉害的，其实，很多事情并不难，且听我一一道来。
　　其实风控分几种，分别是风控产品、风控策略、风控建模。没错，不是每个风控人员都会建模，其实大部分人只是会SQL语句，找到维度共性，在让专业做模型的同学去完成后面的操作，不过是用Logistic还是用什么，不过风控现在比较常用的是Logistic和DecisionTree以及分类算法。
　　那么，机器学习是什么？作用是什么？其实主要是喂养数据，调整模型的，风控看的比较多的是KS值，和AUC以及其他的一些值。
　　大体简单介绍下这两个值，KS值主要是为了区分数据样本在模型的正负关系（也就是好坏程度），主要是这个图是个曲线，对于风控来说，如果数据样本呈正态分布是一个好现象。所以，KS其实也是区分这个曲线的正太分布情况的，取值是在01区间，数值越大，就可以说样本分的过开，可能样本不是很好（或者模型不好）。当然，KS只是代表模型的分隔能力，并不代表正确。
　　（来自网络图片）
　　那么，AUC是什么呢？其实也是跟ks差不多的一个分值器，用以区分好坏样本，是ROC曲线的概率区域。AUC值越大，证明该算法在正负样本内有更好的分类。
　　（来自网络图片）
　　好了，这个其实不懂也没关系，作为风控产品，模型还是交给专业的人士去做吧
　　那么言归正传，风控产品需要懂什么呢？首先，我们要明白这个风控是给什么公司做的，传统的金融机构比如银行、证券公司我就不说了，因为他们的风控早些年还是通过评分卡进行打分，并且都是通过专业的风控、信审人员去线下核对的，此外再加上央行报告，所以逾期率比较低。这里介绍的风控主要是针对大数据风控的。
　　大数据风控（主要针对金融行业，如果是其他行业的我以后会说），顾名思义得有大数据，很多公司没有咋办？当然是采购，市面上很多数据公司，数据公司的选择自己评估吧。我只是大概说下一般需要什么类型的数据：
　　身份认证类（比如三要素、四要素等）
　　反欺诈类（如运营商信息等）
　　名单核验类（黑白灰名单、司法等）
　　第三方评分类（可有可无，主要针对自己模型没有建立的）
　　基本用户进件后风控流程如下所示：
　　当然根据公司场景还会增加，反欺诈除了运营商的数据类型以外，其实更多的是通过手机设备指纹收集的用户的一些操作行为数据，进行反欺诈规则的设置分析。
　　这又不得不说到风控的本质了，风控的本质其实就是区分用户是好人还是坏人、是人还是机器人。在风控策略设置上只要紧扣这2点就行。
　　那么针对一个系统，整体流程是怎么样的呢？如下图所示（只是个大概）
　　主要风控，是一个选件的过程，通过内置一些风控规则和数据支持，通过计算机更好的区分这个用户是否是好人、是否是人，是否能还款、有没有还款能力这几件事，来帮助金融类公司进行更好的借贷、分期等消费分期行为。
　　具体的风控策略设置、风控系统搭建会在以后介绍，本期内容就到此为止，如有问题欢迎指正。