前欺诈产品经理分享从拦截损失到精准放行的思路转变

我曾花了很多年，以为自己的工作就是拦截欺诈。后来一个观念的转变改变了一切：被错误拒绝的好客户同样是一种损失，只不过它体现在别人的损益表上。

我担任欺诈风险产品经理的第一个岗位上，只有一个数字真正重要：欺诈损失与可承受损失预算之间的差额。

我当时在 JPMorgan Chase，负责为每天处理数百万笔交易的 Chase 卡片规则引擎做决策。2018 年我们在全国推出非接触式卡片时，我的重心是防御，也就是尽可能减少损失、每月拦截尽可能多的不法分子。

那个改变了我所构建的一切的问题

银行当然也在意好客户被误伤。有一整个团队的人工坐席可以在接近实时的情况下介入，撤销一次不准确的拒绝；而且只要我们知道大量合法客户即将出现异常行为——比如世界杯或飓风期间——我们就会主动放宽策略。我个人的记分卡仍然是损失这一行，我也是透过这个视角来看待日常工作的。

后来我去了 Walmart eCommerce，在 COVID 爆发之际接手了端到端支付与身份欺诈业务。每一笔被拒绝的交易背后都是一个真实的人，他们可能转而去别处购买商品或日用品，而在那个时期，这一点比平时重要得多。这种压力改变了我对这个角色的看法。

我不再问

当欺诈产品经理与增长产品经理终于达成一致时

作为机器学习风险平台产品经理，我接入了联盟数据，以便更好地识别访客客户——也就是我们旧机器学习模型基本靠猜的那批人。欺诈损失显著下降，但真正的头条其实是月度收入的增长，因为事实证明，我们此前拒绝的很多人其实没问题。我们还改进了设备指纹识别，提高了通过率，并构建了更好的机器学习模型，在不给客户增加任何额外步骤的情况下减少了拒付。

这些都不是像我以前那样以减少欺诈为目标的举措，而是精准度项目。也正是从那时起，我的数字和增长产品经理的数字开始指向同一个方向，因为我开始把它当作一项有真实美元价值的业务成本来对待。

等我加入 Sift（数字欺诈防范平台）时，我已经不只是在自己的路线图上做这件事了。我试图把它融入到一个客户风控团队会使用的产品中。我在那里主导的产品之一 RiskWatch 正是围绕这一矛盾构建的，它为欺诈团队提供了一种方式，让他们能拦截更多不法分子，而不必靠牺牲通过率来实现。

我构建的那套不必在欺诈与收入之间二选一的系统

最清晰的证明是一个基于百分位的评分系统，我最终为它申请了专利，用它来实时评估风险，而不是依赖某一条静态阈值——那条阈值要么太严，要么太松，取决于当天的情况。

下面看看这种差异在实际中是什么样子。在静态阈值下，比如 75 分会拦截一笔交易。在闪购期间，大批量购买的合法客户很容易把分数推到 76 分而被拦截，因为阈值并不知道这是一次闪购。

然而，在百分位模型下，我们问的不是“这个分数是否高于 75？”，而是问这笔交易是否处于今日流量中最危险的 X% 之列。在闪购期间，那些得分为 76 的客户实际上处于当时风险的第 40 百分位，远低于拦截区间，这意味着他们会被放行。

对于我们最大的企业客户之一，调整我们对该百分位区间的评分与稳定方式——而不是简单地把某条规则收紧或放宽——在一个季度内带来了 1900 万美元的收入增长。这一增长衡量的是增量获批收入：这些收入此前会被静态阈值拦截，而现在获批并成功完成交易。同一季度的欺诈损失保持持平；拒付率实际上略有下降，因为精度提升减少了拦截规则中的噪音。

我们还构建了一个称为“分数稳定器”的东西，它是一个实时监控欺诈结果和分数变动的层，只在数据表明应该调整时才调整拦截阈值，而不是每次分数波动都调整。其目的是让欺诈防控与客户体验不再相互掣肘，我将在下文详细展开。

构建它需要做出三个我们此前未曾明确做出的决定。

首先，我们必须决定每笔交易要与什么进行比较。百分位模型通过实时对风险进行排名来工作，它将一段时间内一组固定的下单个体汇总在一起。黑色星期五最危险的 5% 购物者，与一个安静的周二下午最危险的 5% 是截然不同的群体。因此我们让回溯窗口可调：一小时的短回溯让我们能够实时应对突发攻击，而三十天的长窗口则帮助我们捕捉逐渐渗入的欺诈模式。

其次，拦截决策现在基于流量的百分比而非分数阈值，这迫使我们与风险领导层展开了一场完全不同的对话：可接受的拦截率究竟是多少。

第三，我们构建了一个称为“分数稳定器”的东西。这个名字听起来很技术，但想法很简单：欺诈分数会因为与欺诈无关的原因而波动。欺诈分数可能因与实际恶意活动完全无关的原因而起伏。导致分数飙升并造成不必要拦截的关键因素包括：模型更新、某一天购买者类型的构成变化、新设备类型扩大了流入流量的组合。关键在于，即使底层欺诈率完全不变，这些触发因素也会抬高风险分数。

因此我们需要一种方法来区分真正的攻击与误报。如果拦截率跳升，且确认欺诈也随之跳升，那就是一次真正的攻击，这种情况下我们保持阈值不变。如果拦截率跳升但欺诈结果保持平稳，说明是别的因素发生了变化，我们需要在真实客户开始因无正当理由被拒绝之前做出调整。稳定器同时监控这两个信号，并清楚分数波动的确切原因。

我会对每一位拿钱说“不”的风险 PM 说

这就是我想对任何正深陷这场拉锯战的风险或欺诈产品经理说的话。坐在你对面的增长产品经理，反对你的拒单率指标并没有错。同样，你坚持自己的损失阈值也没有错，但你们双方都只是在严格执行各自指标的要求。

帮助我们弥合这一差距的做法，是与增长团队共同开展季度路线图评审，双方各自带来按美元影响排序的前五大优先事项。在此之前，风险产品经理带来的是按损失削减排序的清单，而增长产品经理带来的是按收入提升排序的清单。但一旦我们为误拒赋予了美元价值，两份清单就开始重叠，双方对同一项举措给出了相同的排名。例如，提升移动端访客结账的通过率，过去对风险产品经理来说是一个精准度项目，对增长产品经理来说是一个转化率问题，但从防止误拒的视角来看，两人就此达成了共识。

真正改变我职业生涯的思维转变，不是更聪明的模型或更大的数据集，而是我意识到，被错误拒绝的一位好客户就是公司的损失。只不过这笔损失体现在别人的损益表上，而不是我的。当我开始用我的精准度解锁了多少收入、而不仅仅是我的规则能防止多少损失来衡量自己的工作时，与增长产品经理的对话就不再是谈判，而变成了共同规划路线图。

我依然在意损失线，可能比大多数人希望的还要在意。但我已经不再把自己的工作看作那个说