當然，時代與時俱進，有些新的想法可能已經超出了我的認知。也歡迎批評指正。
1，數據預警
當經營數據出現明顯波動時，無論是好的方向還是壞的方向，都要立即給出預警。波動範圍是多少？對於龐大的互聯網平臺來說，同比變化超過5%很可能是預警閾值，但對於很多小的創業團隊來說，可能變化比較頻繁，閾值可以設得更高。
我來做個假設。如果妳是微信產品經理，妳發現在沒有產品升級和熱點新聞的今天，朋友圈的瀏覽和轉發增加了5%。妳認為這是自然增長嗎？妳們大多數人都會暗暗罵，媽，什麽裂變套路失控。
來，思考壹下問題，微信為什麽不遺余力的扼殺各種裂變運營？裂變不是好數據嗎？這是典型的風險控制認知問題。曾經人人網會覺得是好數據，所以就死了。
數據預警不代表壹定有問題，但需要快速識別判斷。正確理解數據變化的原因並快速確認，是風控需要處理的問題。
數據預警不僅僅是總信息的預警，比如某個特征的數據突然激增，也是需要關註和確認的。比如某個區域的流量突然激增，或者某個設備的流量突然激增，很可能來自於某個機器池。
至於如何分析數據異常，前面說過，對比、細分、溯源可以解決大部分數據異常定位問題。
2.風險控制處理引擎
處理引擎用於清理、過濾和阻止數據。
處理引擎的處理策略包括實時處理和回溯處理。
實時處理是對當前的操作和行為進行判斷，並對其進行實時標記、過濾或屏蔽。
回溯處理是對歷史數據進行分析，做出合理的判斷和處理，比如清理數據或者常見的切割指令。
標註是指如果系統懷疑這個數據有問題，會先進行標註，再進行人工核對。
過濾意味著這個數據系統被認為是無效的，不會被記錄，但用戶仍然可以有效地操作和交互。
阻止意味著此行為被視為無效，用戶交互被阻止。
3.規則配置
處置引擎通常基於規則，因此規則的配置是典型的系統。
典型的例子就是黑名單，比如屏蔽什麽條件，清理什麽條件，標註什麽條件。
這裏有兩個常見的規則，壹個是基於明確的規則來阻止單個消息，比如黑名單中的ip不允許訪問。另壹種是基於壹些統計規則的清洗，比如來自同壹個ip版塊的重復點擊超過閾值後不會被記錄。
4.機器學習
古代的互聯網，規則來自歷史經驗教訓的總結。基於日誌分析和過去攻擊記錄的高級風險控制逐壹設置規則，以防止欺詐性點擊或其他不當得利。
但現在不同了。機器學習已經逐漸取代了人工，根據壹些不良記錄自動整理出規則，甚至超出了人類的常識。
而這些規則，很多時候是能做不能說的。比如壹個現金貸平臺，基於歷史壞賬記錄，機器學習總結出壹個規則，身份證號的前幾位是什麽，壞賬率明顯高，那麽這個規則就被寫入風控規則庫。
那妳認為有過失殺人嗎？機器關心的整體效率，比如整體壞賬率是2%，而符合這個規則的壞賬率是10%，10%已經給平臺造成了嚴重的損失。所以平臺願意加入這個規則，雖然會誤殺90%的合格好人。
為什麽不能說出來？告訴我是什麽，地域歧視。妳憑什麽說這壹帶的人是壞人？畢竟妳誤殺了90%的好人不是嗎？但是是機器學習做出來的，所以妳可以做，但是不能說。
5.情報系統
風險控制的負責人員和核心人員要加入安全行業的壹些內部社區，參加壹些安全行業的交流活動，甚至需要深入到各種羊毛黨團體和各種黑灰產社區，了解壹些流傳的攻擊手段和攻擊資源。我之前說過，壹個公司的信息安全，三分靠技術，七分靠人脈。我今天還是想重復這個觀點，真的。
有人覺得我能力強，水平高，不混圈子。信息安全和風險控制這個行業是很深的。可能妳的平臺被壹些對手搞了很久，圈子裏的人都知道，妳卻不知道。這種事情其實挺常見的。早些年，空狐創業者自稱被投資人欺負。數據是羊毛黨因為壹個愚蠢的補貼策略套現信用卡發現的。各種社群都在交流，創業者自己也不知道，還覺得自己的業務數據挺好的。
6.業務影響評估
風控不是越嚴格越好，因為過分嚴格的風控會把業務搞死。今天我們說商旅行業的羊毛黨還是有很多玩法和玩法的。那些商業巨頭不知道嗎？航空公司和酒店集團為什麽不為了裏程積分而殺各種羊毛玩法？水幹凈就不會有魚，讓會員總覺得可以便宜賺錢，也是保持用戶增長的壹種方式。
所以在各種風控策略推出後，還是要不斷的對數據進行評估和反思。是不是有些策略處理的問題沒那麽嚴重，誤殺率有點太高，幹擾了正常用戶的行為？特殊階段可能會有更嚴格的策略，那麽過了這個階段，相關策略是否可以弱化甚至取消？
其實風控有兩個指標。首先是不良行為的清洗和阻斷率是否真的有效的讓那些幹擾和噪音不再影響業務和決策者的判斷。二是對正常業務的幹擾率。風控不可能完全準確，任何策略都可能幹擾正常的用戶行為和正常的業務數據。那麽這種影響能否控制在足夠小的範圍內。這需要不斷反思和分析。不要被業務負責人追著罵，才想到這裏可能有問題。
總的來說，實際細節還是很多的，不敢展開。他們壹展開，我的無知就暴露了。