其实不一样的行业，不相同的领域的风控还是有很大区别的，这里只针对典型刷量，刷榜，不当获利等类型的网络行为，进行风控体系的一些基本架构。

　　当业务数据有显而易见波动的时候，无论是往好的方向，还是坏的方向，都应该立即提示预警，这个波动范围是多少呢？对于巨大的网络站点平台而言，超过5%的同比变化很可能就是一个预警阈值，但对于很多创业小团队来说，可能大幅度变动比较频繁，阈值可设为的高一些。

　　我做个假设，如果你是微信产品经理，你发现今天在没有产品升级，没有热点新闻的情况下，朋友圈的浏览和转发增加了5%，你会认为这是自然增长么？多半你会暗骂一句，妈蛋，又是什么裂变套路失控了。

　　来，思考题，为什么微信不遗余力的绞杀各种裂变运营？裂变难道不是数据向好么？这是一个典型的风控认知问题。曾经，人人网会认为这是好数据，所以它死掉了。

　　数据预警不代表一定存在问题，但快速甄别和判断是需要的，正确理解数据变动的原因，并快速确认，这是一个风控需要处理的问题。

　　数据预警不只是总量信息的预警，比如来自于某个特征的数据突然激增，同样是需要关注并确认的，比如某个地区的访问量突然激增，或者某种设备的访问量突然激增，就很可能来自于某些刷机的机池。

　　至于怎么分析数据异常，以前提过，对比、细分、溯源，我这三板斧能解决绝大部分的数据异常定位问题。

　　实时处理就是针对当前的操作，当前的行为进行判定，并实时进行标签，过滤或阻断。

　　回溯处理就是对历史数据做分析，并做出合理的判断和处理，比如清洗数据，或者常见的砍单。

　　过滤的意思是，这个数据系统认为无效，不予记录，但用户仍旧能有效的进行操作和交互。

　　典型如黑名单，比如符合什么样的条件的被阻断，符合什么样的条件的记录要被清洗，符合什么样的条件的记录打标签。

　　这里有两种常见规则，一种是针对单条信息基于明确的规则阻断，比如来自于黑名单的ip不予访问。另一种是基于某一些统计规律进行清理洗涤，比如来自同一个ip区段的重复点击超过阈值后不再记录。

　　在古早互联网，规则的产生是来自于针对历史经验教训的总结，一个资深的风控基于日志分析和过往被侵袭的记录，逐条设置规则，防范欺诈点击或其他不当得利。

　　但现在不一样了，机器学习开始逐渐替代人工，自动基于一些坏记录，整理规则，甚至超出人类的常识。

　　而这些规则，很多时候，是可做，不可说的，比如说，某个现金贷平台，基于历史的坏账记录，机器学习总结出一条规律来，身份证号码前几位是什么什么数字的，坏账率明显偏高，那么这个规律就被写入了风控规则库。

　　那你说是不是有误杀，机器关心的整体效率，比如整体坏账率2%，而符合这个规则的坏账率是10%，10%已经会导致平台严重亏损，所以加入这条规则，虽然会误杀掉合乎条件的90%的好人，平台也是愿意的。

　　为什么可做不可说的，你讲出来，这叫什么，地域歧视，你凭什么说人家这个地区的就是坏人。你毕竟误杀了90%的好人对不对，但这是机器学习做出来的，所以，可做，不可说。

　　风控的负责人员，关键人员，应该加入一些安全行业的内部社群，参与一些安全行业的交流活动，甚至还需要渗透到各种羊毛党群，各种黑灰产社群，潜伏了解一些流传的攻击手段和攻击资源。我以前说过一句话，一个公司的信息安全，三分靠技术，七分靠人脉，今天还是要重复这个观点，真的。

　　有人觉得我能力强，水平高，我不混圈子。信息安全，风控这个行业水很深，可能你的平台被某些对手搞了很久，圈内都知道了，就你不知道。这种事其实挺常见的，早些年那个空空狐创业者，自称被投资人欺负的那个，数据是因为愚蠢的补贴策略，被信用卡套现的羊毛党薅出来的，各种社群都在交流，就创业者自己不知道，还感觉自己业务数据挺好。

　　风控也不是越严格越好，因为过度严格的风控会把业务搞死。今天我们说商旅行业羊毛党仍然有很多玩法和路数，那些商业巨头难道不清楚？为什么航空公司，酒店集团，对积分里程的各种羊毛玩法没有斩尽杀绝，水至清则无鱼啊，让会员总觉得有便宜可以赚，也是一种维持用户增长的途径。

　　所以各种风控策略上线后，依然要基于数据不断评估和反思，是不是某些策略所处理的问题已不那么严重，误杀率是不是有点过高，对正常用户的行为是不是造成了干扰，可能特殊阶段会有比较严格的策略，那么此阶段过去后，相关的策略是不是能够减弱甚至取消？

　　风控其实有两个指标，第一是对不良行为的清洗，阻断率，是不是真正有效的让那些干扰和噪音不再影响业务和决策者的判断。第二是对正常业务的干扰率，风控不可能是完全精确的，任何一条策略都可能干扰到正常用户行为和正常业务数据。那么这个影响是不是能够控制在足够小的范围内。这是要经常反思和分析的，绝对不能被业务负责人过来追着骂的时候，才想起来这里可能有问题。

　　大体如此，实际细节依旧很多的，而且还不敢展开，一展开就暴露我的无知了。