风控是一个非常大的概念，不同的领域对风控有不同的需求，像跟钱打交道的一些行业，比如 电商、银行、金融机构对风控的要求也就更多。
这篇文章就来简单介绍一下，风控包括什么，以及设计一个风控系统过程中，需要考虑什么？
电商风控：风控在电商行业代表是 “反撸羊毛”、“刷单”、“爆单”，“被盗号” 等
银行放贷风控：贷前调查来判断 还款能力以及还款意愿，贷中审查来判断 逾期风险，贷后管理来判断 催收反应等
一般来说，风控的非实时数据采集，不能直接从线上的数据库中读取，这会把数据库打死。主要的数据采集方式有从库采集，日志采集和pingback三种方式。
主流数据库，如Hbase，Mysql都提供同步数据进从库的功能，几个数据库数据完全相同，主库可以读写，从库只读，读取从库不会影响主库操作。
上游异步把数据送给风控系统，一种方式是通过上游系统主动送，比如说RocketMQ，上游完成数据采集后，把数据异步送给下游。
另外一种方式是通过日志采集，将风控需要的数据输出到日志中，风控数据对对接日志异步进行采集。
Pingback指在页面上埋入脚本来监测用户的操作，特别是点击操作和键盘操作，将检测到的用户行为异步发送到服务器端。这可以侦测到用户在页面停留时间，鼠标点击的区域等信息，由此可以推断用户偏好，情绪等信息。 pingback的挑战在于如何在服务器端应对流量洪峰。pingback数据一般不直接入库，可以先写入Kafka，风控系统对接Kafka来分析pingback数据。
规则是用来判断一笔交易、一笔订单是不是违反了系统中的已有规则，规则我认为可以分为两大类，一类是名单类的规则，一个是规则引擎类的规则。
名单类来说相对比较简单，一个名单通常情况下包括 “名单类型 + 名单类别 + 名单唯一键 + 生效/失效时间”。
业务方首先需要确定规则的实时性需求，实时处理当然是最好的，但是实时处理就对于系统的性能要求极高。大多数风控系统也不会采取大量的实时处理，就算实时处理，也通常采用比较简单的规则，也有用准实时处理 或者 非实时处理的，准实时时效性没有那么强，可能几分钟或者几小时再进行处理。
实时性的系统：联机交易系统，比如用户A在凌晨给海外汇款，1个亿的交易涉及到了反洗钱，要是不实时拒绝的话，这一个亿可能就没了。
准实时处理：银行贷款系统，因为银行贷款系统并不需要说，立即给客户反馈放不放款，但也不能太慢，就可以用准实时处理。
规则需要对于全网都生效吗？还是只针对某些商户类型、某些银行卡、某个地区生效就行。
例子1：发生一笔消费，商户类型为 大型超市 并且 (交易时间在 00：00 - 02：00 或者 22：00 - 23：59)
例子2：发生一笔交易，交易金额 10w元 并且 交易类型 != 消费
这种规则就需要把报文中的某几个字段取出来，再判断是不是满足规则条件。常见的操作符包括 等于=，不等于!=，大于 ，小于 ，在某几个值中 in，不在某几个值中 out。
上面的几个例子，都是静态的数据，但系统中可能还存在动态的数据，某用户当月的消费额，就要累计计算。
例子3：在银行系的风控中，统计一开云电竞,Kaiyun电竞,开云集团官网,开云电竞股份有限公司张卡在同一个终端下，连续交易的天数，要是超过20天，就认为是刷单。
例子4：在电商系统中，同一个账号在同一个商户下，过去30分钟内，有超过5次购买记录，就认为是刷单。
例子5：电商系统中，某用户当月的无门槛优惠券超过10张，就认为是系统bug。
以例3为例，这种规则的需要分为两步：1. 把累计值算出来，先统计连续交易的天数 2. 规则里面再配置，连续交易的天数是不是大于20，要是大于20，才算命中规则
在更复杂的一些风控系统中，还会支持这样的规则。涉及到了数学中的一些计算。
例子6：同一张卡在同一个商户下当月的消费金额 占这张卡当月所有消费金额的 95%以上 并且 此张卡当月消费金额 10笔
例子7：统计某店铺当月的消费笔数 和 它上个月的消费笔数，要是当月的消费笔数 上月消费笔数的10倍，就算命中规则
要是确认该用户有违法操作，就需要把该用户加入黑名单，或者进行限流等操作，要是该规则配置要问题，就需要对规则进行及时下线的操作。
对于运维人员就需要有一个风控监控大屏，来及时显示什么规则被命中，统计某规则过去多长时间内的命中次数。
业界常见采用的方法是通过，开发代码中命中规则以后，打印日志，监控平台再通过异步分析日志把数据以图表的方式显示出来。
C卡 催收评分卡（Collection scorecard）：当借款人当前还款状态为逾期的情况下，预测未来这笔贷款变成坏账的概率，由此衍生出 滚动率、还款率、失联率等细分的模型。
WOE(Weight of Evidence)叫做证据权重，IV(Information Value)叫做信息价值，是一组评估变量的预测能力的指标。也就是说，当我们想要拿出证据证明“年龄”这个变量对于违约概率是否有影响的时候，可以使用这个指标评估年龄到底对违约概率的影响有多大。
下面表格展示的就是年龄、性别及婚姻状况三个变量相关的好坏样本数据以及计算出的对应的WOE及IV值。WOE的计算公式是：ln[(违约/总违约)/(正常/总正常)]。比如对于年龄18~25的组别，WOE=In[(131/总违约样本数)/(1016/总正常样本数)]。根据WOE值，可以进一步计算出IV值。