一、互联网业务与风险
业务发展，风控才有意义。
1，互联网业务发展趋势如下：
从互联网web1.0信息窗口, web2.0沟通交互，移动互联网无时无刻随时在线，到互联网+万物互联。
2，互联网业务发展带来新的挑战
1）互联网开放无边界的特点，使得用户随时随地访问业务系统。
传统的业务模式发生了较大的变化；
传统的风控模式也发生了变化；
2）互联网周边技术的发展，既带来了便利也带来了风险隐患
智能终端、代理IP、模拟器、虚拟机、自动接收验证码、虚拟手机号
卡商、猫池、人海战术
3）互联网信息实时传递，信息泄漏问题是风险源头
客户隐私资料、企业关键敏感信息
社工库、拖库、洗库、撞库、内部欺诈
3，互联网业务场景面临众多风险问题
1）渠道推广：虚假刷量、伪造激活
2）注册登陆：垃圾注册、脱库撞库
3）营销活动：抽奖套利、黄牛占座
4）信用申请：申请欺诈、信用不良
5）交易交付：刷单炒信、盗卡盗用
6）社交互动：涉黄涉政、垃圾广告
从损失上讲：资金成本损失、客户体验下降、品牌商誉受损、违反政府监管、商业信息泄漏
二、风险管理
风险管理是持续创新的根本
1，什么是风险？
就是不确定性，在金融领域，更具体是指损失发生的概率及金额的不确定性。比如投资10万，1年后有多种可能结果，用户的选择不同，收益具有不确定性，用户对这种风险的接受程度可以称为风险容忍货风险承受能力。
2，风险的类型
按照风险的来源分类，包括信用风险、市场风险、操作风险、流动性风险、合规风险等
3，什么是风险管理？
风险管理要解决的问题就是信息不对称的问题。
风险管理和业务运营发展相互融合的。
风险管理追求风险调整后的收益最大化，而不是风险最小化。
4，风险管理or 风险控制？
风险矩阵=风险发生的可能性*风险发生后所带来的损失大小
风险控制是对风险管理的一种手段。
5，风控经历了三大发展阶段
1）裸奔时代
无风控系统，不重视风控；
简单的可疑行为监测，与业务系统代码紧耦合；
灵活性差，效率低；
2）传统风控
业务系统与风控系统分离；
依赖自由业务数据做风控，单打独斗；
无法有效防护外部风险；
3）大数据风控
大数据的特点：数据体量大、类型多、处理速度快；
机器学习建模分析；
跨行业、跨平台大数据关联，交叉验证；
6，大数据服务提供商
7，风控相关厂商
8，人工智能时代风控思路的转变
9，大数据和人工智能结合的风控与传统风控的对比分析
三，互联网交易业务的挑战
1，理财平台业务环节面临风险有四大类：交易欺诈 营销套利 信息泄漏、水军攻击。
刷接口 航旅票务网站，短信接口，登陆，账户盗用，秒杀，抢券，评价；
2，交易业务风险挑战应对
互联网交易的特征包括交易量大、交易频率高、交易虚拟化、信息化程度高，可通过数据分析建立场景化的风控规则和模型，提高自动化识别风险的能力。
2.1控制策略
1）系统层面
风险规则引擎：通过统计分析，并结合专家经验，针对不同场景设置对应的规则策略，并给予规则判断的结果决策。
2）数据层面
数据及模型：通过对设备、IP、手机号等维度进行建模画像，整合第三方数据核验服务，可以结合用户反馈建立有监督的机器学习模型。
3）工具层面
风险管理及调查工具：案件管理系统、复杂网络分析工具、决策引擎等工具，帮助平台提高风控效率，降低风控成本。
2.2运营策略
1）事前预防
风险关注名单
内部白名单
风险情报收集
2）事中侦测
实时自动化检测
多维度数据+用户行为+人工辅助判断
异常交易识别告警
3）事后跟踪
风险案件录入与维护
风险案件还原与追踪
相关联案件归类分析
风险案例库
3，互联网信贷业务面临的风险案例
1）伪冒申请
申请身份的造假，申请人盗取他人的身份信息与申请资料，伪冒他人身份诈取骗取贷款
2）虚假资料
申请人对身份或资质证明材料进行造假，以期通过审批或获得更高额度
3）信用风险
征信数据维不足，信用白户问题，跨平台负债严重，无法全面获知风险，风险信息获取滞后。
4）内部欺诈
外部欺诈分子与内部销售人员甚至风控人员合谋套现。泄漏客户信息和公司机密信审策略
四，.互联网信贷业务的挑战
4.1风控流程
4.1.1信用评分的维度划分
1）身份属性:年龄、性别、教育、家庭。。
2）信用历史：银行卡信息、信贷记录、网贷记录、征信查询记录、失信记录、行政处罚等
3）履约能力
投资信息、高管任职记录、个体经营信息、资产信息、出入账情况等
4）行为特质
消费频率、消费习惯、消费稳定度、账号活跃度等
5）社交影响
社交活动、社交圈层级、影响力等
4.2提高自动识别能力
1）画像产品
用户使用的设备、手机号码、IP地址、物理地址、用户信息、行为特征都可以经过数据搜集和分析，计算相关特征，应用此特征构建出各类画像产品。通过画像产品可以间接或直接地反映出用户的风险水平，用于相关决策。
2）基于规则的决策
通过统计分析和专家经验沉淀，可以根据业务场景不同，将多条判断规则进行组合，形成基于规则的决策判断。优点是可以灵活配置，实时修改，与业务系统剥离，并可以将专家经验转化为风险决策依据。缺点是规则的创建依赖专家经验和已发生风险事实，无法针对新的案件自动更新，且规则容易被欺诈者得知后绕过。
3）基于模型的决策
包括有监督的机器学习模型和无监督模型。有监督的机器学习模型的方法论是通过过去预测未来，利用打标数据和历史事件的数据分析和建模，对风险进行量化评估，无监督模型一般通过异常检测算法，基于异常数据“少且不同”的特征，多用于交易反欺诈诈测
4）复杂网络
复杂网络是建立在海量的数据综合汇总与分析的基础上，将各个行业的业务场景的数据打通，建立多维度数据关联，构建成知识图谱网络。通过可视化界面查询，事中团伙实时匹配识别，团伙分析报告等使用方式，对于识别团伙欺诈有较大帮助
