注册 / 登录

让黑产无处遁形——大数据和人工智能如何助力风控防御体系

分会场:  数据科学/人工智能/数据驱动

分享时间: 2017年11月9日 - 12日

案例来源 :

案例讲师

王永会

百度外卖 高级架构师

毕业于北京航空航天大学,研究方向为机器学习和风控系统。毕业后进入腾讯参与腾讯云开发工作,2014年加入百度,先后在地图LBS团队负责在线业务研发、在百度旅游负责智能行程推荐。2015年加入百度外卖,负责反作弊技术方向,从海量业务数据中研究用户作弊行为,主导设计和建设了一套完备的以健康度为核心的风控模型,在识别用户刷单、商户作弊、骑士和销售违规以及联防联控等方面效果显著,覆盖了外卖业务的多种角色和线上线下业务,为外卖业务健康运行提供了可靠保障,并获得发明专利20余项。

扫描二维码分享案例

为什么这个案例值得分享?

风控对业务的理解有着较高要求,加之黑产利益链的神秘运作和变化多端,让风控迎来更多挑战。百度外卖风控团队在如何通过大数据和人工智能解决风险问题领域有深厚的技术积累,我们愿为O2O领域的风控技术贡献力量,给同行带来启发和收获,促进共同进步。本次分享全面展现如何构建完整的风控防御体系,如何全面渗透于业务,如何让业务健康运转。

 

 

案例简述

 

在公司业务扩张过程中,为了吸引更多用户,往往通过补贴或其他优惠手段促销,而黑产利益链也在暗处不断成长,形成一股不可忽视的力量。从薅羊毛到职业刷单,从机刷到人肉,手段成出不穷,传统基于规则的解决方案捉襟见肘,甚至采用机器学习的方案如果只单纯去做用户的反欺诈也难以与之抗衡,更何况实际业务中环环与利益牵扯,任何产品都存在风险的可能。
百度外卖风控中心设计和搭建的风控系统,以健康度模型为核心,基于大数据和人工智能,是一套完整的反作弊、反欺诈、反贪腐解决方案,覆盖了业务的方方面面,全面渗透于业务之中,不仅识别用户刷单,还可以识别商家作弊、销售违规贪腐等行为,并可以实现联防联控,与营销、画像、推荐和Rank等其他周围系统联动。
本次分享,听众还可以了解到传统规则与机器学习/深度学习的结合,知识图谱在风控的应用,模型的可视化方案等等。

 

案例目标

 

本案例解决用户刷单作弊问题,但是风险仅仅是用户刷单作弊吗?商家刷单、虚假店铺如何解决?地推拉新、骑士配送中又有哪些风险的存在?因此重点是构建风控防御体系。

 

成功(或教训)要点

 

本案例建立了一套以健康度为核心的风控体系,提供了联防联控的完整解决方案,不同于以往看到的以用户刷单薅羊毛为主线的解决方式。
在用户风控方面,不仅仅从用户“个体”出发,而且包含用户的“分身”以及群体研究。
对于商户风控,解密多种识别刷销量、套补贴的建模方法;探索如何从PS识别角度发现虚假商户线索。
O2O领域的风险还存在于线下推广、执行环节,比如物流配送环节、线下拉新等,本案例会破例揭秘公司如何在规范线下市场行为方面基于大数据所做的风控工作, 有效管控和指导线下行为。
知识图谱技术在多角色识别和联防联控上有着显著效果,把分散于各个系统的数据、脏乱差的海量日志进行抽取、聚合,以图谱形式做到从点到面,真正解读大数据。

 

案例ROI分析

 

完整的风控解决方案能够真正做到风险的联动和监控的及时,并将分散的信息整合,将健康度的结果灵活应用于产品各个环节,形成生态循环。
研发人效极高;
风控系统为公司业务挽回了数千万损失。

 

案例启示

 

更新中...

 

案例在团队中的意义

 

风控对业务的理解有着较高要求,加之黑产利益链的神秘运作和变化多端,让风控迎来更多挑战。百度外卖风控团队在如何通过大数据和人工智能解决风险问题领域有深厚的技术积累,我们愿为O2O领域的风控技术贡献力量,给同行带来启发和收获,促进共同进步。本次分享全面展现如何构建完整的风控防御体系,如何全面渗透于业务,如何让业务健康运转。