1. 反欺诈概述：业务场景、欺诈类型、传统规则与ML对比、课程目标

大家好，我是你们这门课的主讲。在正式开始之前，我想先聊聊我为什么做反欺诈。

说实话，刚入行那会儿，我觉得反欺诈就是个「抓坏人」的游戏。后来踩的坑多了，才明白这其实是场永无止境的猫鼠博弈。你刚堵上一个漏洞，对手立马找到三个新的。嗯，这就是我们这行的常态。

1.1 业务场景：钱在哪儿，欺诈就在哪儿

欺诈不是凭空产生的。它永远追着钱跑。我个人习惯把场景分成三大类：

• 交易支付场景：信用卡盗刷、电商退款欺诈、虚假交易。我在项目中遇到过最离谱的，是有人用几千个虚拟账号薅羊毛，一天撸走几十万。
• 信贷风控场景：身份冒用、团伙骗贷、多头借贷。说白了，就是有人想借钱不还，或者压根不是本人。
• 账户安全场景：撞库、盗号、垃圾注册。你想想看，一个正常用户谁会半夜三点注册一百个账号？

每个场景的欺诈特征都不一样。做模型的时候，千万别想着一个模型打天下。我吃过这个亏。

1.2 欺诈类型：知己知彼

欺诈类型其实就两种：

类型	特点	典型例子
个体欺诈	单点作案，行为异常明显	盗刷、盗号、虚假交易
团伙欺诈	多人协作，行为伪装性强	刷单团伙、骗贷团伙、薅羊毛组织

个体欺诈相对好抓。特征明显，规则就能搞定。但团伙欺诈就难了。他们懂得分散风险，懂得模拟正常用户行为。我曾经跟过一个刷单团伙，他们甚至会用真实手机卡、真实地址、真实收货人。要不是设备指纹暴露了他们，我们可能永远发现不了。

1.3 传统规则 vs 机器学习

很多公司一开始都用规则。为什么？因为简单、直观、可解释。

举个例子：

# 传统规则示例
if 交易金额 > 10000 and 交易时间 in [0:00, 5:00]:
    return "高风险"
if 登录IP != 常用IP and 设备指纹 == 新设备:
    return "高风险"

规则的好处是：上线快，业务看得懂。但问题也很明显：

• 维护成本高：欺诈手段一变，规则就得改。我见过一个团队维护了3000多条规则，每次上线都像拆弹。
• 覆盖率低：规则只能抓到已知的欺诈模式。新手法出来，规则就是摆设。
• 误杀率高：规则太死板。正常用户半夜买个东西，就被误判了。

那机器学习呢？

说白了，ML就是让模型自己学「什么是欺诈」。你给它喂数据，它自己找规律。好处是：

• 自适应：欺诈模式变了，模型能跟着调整。
• 高覆盖率：能发现人类想不到的关联特征。
• 低误杀：模型能给出概率，而不是一刀切。

但ML也有坑。我刚开始做的时候，以为模型越复杂越好。结果上线后，AUC很高，但实际效果一塌糊涂。为什么？因为过拟合了。模型记住了训练数据里的噪声，而不是真正的欺诈模式。

1.4 课程目标：你能带走什么

这门课不是讲理论。我希望能让你：

1. 掌握反欺诈的完整流程：从数据采集、特征工程、模型训练到上线部署。每一步我都会讲实战中的坑。
2. 学会处理不平衡数据：欺诈样本通常只有千分之一甚至万分之一。怎么让模型在这种数据下还能学得好？我会讲采样、代价敏感学习、异常检测等方法。
3. 理解模型可解释性：业务方不会只看AUC。他们想知道「为什么这个交易被拦截了」。我会讲SHAP、LIME这些工具怎么用。
4. 建立反欺诈思维：不只是会调参。更重要的是，能判断哪些特征有用，哪些是噪声，怎么应对欺诈者的对抗攻击。

1.5 知识体系总览

下面这张图，是我自己总结的反欺诈模型开发全流程。你可以把它当作这门课的地图。

这张图我反复改过很多版。每次做新项目，我都会先对着它走一遍流程。你会发现，很多问题其实出在「业务理解」和「数据准备」这两个阶段。模型调参反而是最不花时间的。

好了，第一章就到这里。记住一句话：反欺诈不是技术问题，而是认知问题。你理解欺诈者有多深，你的模型就有多强。