作者：小伍哥

来源：小伍哥聊风控

大家好，我是小伍哥，今天跟大家聊个比较深入点的话题，技术好就能做好风控么？

风控算法或风控策略，确实需要很深、很广泛的技术储备，但是也需要很高的应用艺术和想象力。风控不像其他业务技术或算法，算法的出现本身就有了比较确定性的场景了，比如推荐，直接套用就行，但是很多算法在风控领域应用的时候，场景需要自己去挖掘和发现。

怎么抽象场景，怎么使用算法，就是一个艺术活了。下面用一个图异常检测算法的一个点举例说明。算法链接：OddBall-图异常点检测

这篇文章，我相信很多读者看到是图算法，基本就放弃，认为需要要自己写很复杂的算法才能部署和实现，其实对这个算法充分理解后，简单的统计就能用了，难点在于对算法的理解，以及对业务中场景的抽象，我们看看这个算法的一个点。

算法如下：DominantPair（主导边）这个类型的风险，Dominant heavy links指“主导的边”，Ego-Net中存在某条边权重异常大，如下图所示。

度量方法：主特征值～总权重，大多数节点Ego-net对应带权邻接矩阵中主特征值(principal eigenvalue，即最大特征值)～总边权重也服从幂律分布，其中系数 λ 表示Ego-net中边权均匀分布， λ 接近1表示存在DominantPair的情况，衡量的公式如下：

我们来简化下这个算法思想：其实一句话，就是一个点有很多个邻居，某个邻居权重占所有邻居总权重的比例特别大

再来个更具体的例子：一个商家一个月卖了10000个订单，100个消费者，其中一个消费者买了9900单，那这个消费者占比9000/10000=90%，形成了主导边，那这个商家可能就存在异常。我们其实只要统计商家的总订单，以及每个商家-消费者维度的订单聚合，然后相除就解决了，这就是个简单的SQL计算问题，完全不用什么复杂的写算法。

当然，这里的订单数可以换成金额

订单换成点击：可以监控恶意流量什么的

订单换成领券：可以监控羊毛党什么的

·········

商家和消费者也可以换成其他的角色，根据自己的平台设计这种监控指标，我觉得能发现传统发现不了的异常，因为很少有人这么思考过。

那消费者-换地址关系呢？情况就变了，权重大反而是正常的，小反而不正常，可能是黄牛什么的，因为正常人得地址，相对比较集中，就那个几个固定的。

那消费者-充值手机呢？也是同样的，权重大反而是正常的，小反而不正常，可能是销赃款或者洗钱什么的。因为正常人，给自己手机充值，或者加几个家里人和同学什么的，有些账户给几千几万人充值，那可能就异常了。

那这个是不是可以再抽象一点，比如消费者-购物类目关系网络，按道理，每个人的购物，基本均匀分布在不同的类目，有吃穿的也有用的，如果发现一个用户，大量购买集中在某些偏门的类目，那是不是有可能这个用户或者被购买的商家有异常？是不是要买制毒的原材料？是不是在图谋什么？或者在交易什么？

每个公司的业务不一样，但是很多思路，都是可以顺着这个算法的结构去思考的，需要充分理解算法，充分理解业务，充分的想象力。

我们看到了异常检测，看到了图，但是要更加深入的去看到业务与之匹配的地方，多维度的思考，联想，并进行应用，才能让算法产生价值，所以，风控，不仅是技术问题，也是艺术。

风控挖掘的乐趣，大抵也在此了。