增长放缓、促销常态化，风控如何从粗放走向精细？本文从识别与处置的精细化、场景全域覆盖、AI技术赋能、合规规范四个维度，拆解智能风控的转型路径，并指出模型适配、数据治理与合规压力下的未来方向。

治理精细

随着行业发展速度变慢，增长难求，对增长的挖掘越来越细。平台为了吸引用户、留住用户、转化用户，使出浑身杀手锏。原本一年两度的购物节，变成天天都是品牌日、秒杀日。

常态化促销已成为事实。

业务变化推动风控治理走向精细化，主要体现在两个方面：一是发展模式由粗放式发展转向追求高质量发展，资源投放集中收紧在头部易转化的业务；二是业务模式调整，在主力业务营收疲软的背景下，大公司会尝试拓展新业务，在其他未涉足领域挖掘增长。

为了配合各类新出业务模式和层出不穷的玩法活动。识别可能的风险，风控方案需要有的放矢。这种精细化主要体现在以下几个方面：

1）识别精细

我们可以认为风险识别其实就是回答——“什么时间，什么场景，什么样的人，做了什么坏事？”。那么就可分别从四个维度：时间（When）、场景（Where）、对象（Who）、行为（What）来看看识别如何变得精细。

• 时间（When）：主要关注业务活动开展时间节点的特殊性。比如大促、新业务上线、节假日等时候，业务营销活动相对平时会更多。那么区分于平时，管控就会更加严格。即使是在集中促销的某一日，如双十一开门红，晚八点的流量会比其他剩余时间更高。因为很多优惠补贴限时放量，用户也会第一时间来关注购买，则八点左右高峰时间的识别管控也会相比同一日的其他时间有差异。
• 场景（Where）：识别也要关注场景的不同。构成场景的要素有很多，可以是不同的活动渠道（如国补、以旧换新）、不同的玩法（如送礼、拼单）、不同的类型（如实物、虚拟）。一些场景因为利益点高、玩法模式特殊容易成为黑灰产重点攻击的对象，因此必须要有标识可以单独识别该场景，以聚焦管控。
• 对象（Who）：业务活动链路上的参与者，都可能成为潜在的风险对象。比如在完整的交易行为中，恶意用户、商家是常见的重点识别对象，但线下物流环节还有快递人员、配送站点等参与方，同样可能被利用，也可能主动违规。因此，风险识别对象不应局限于交易双方，而应覆盖业务活动链路上的各类参与者。
• 行为（What）：行为精细化主要关注两点：同一行为在不同条件下的判定差异，以及组合行为的识别。第一点是同一动作是否异常是相对的。比如“代下单”，平时看很可疑，放在美妆节大促就正常得多，许多异地的情侣会给另外一半购买礼物。所以不能一刀切，要结合时间、场景、对象，看这个行为是不是明显偏离了同类人平时的正常水平。第二点是不能只看单点动作，要看组合链路，比如“注册即领券—下低价值的新人单—不收货—套现新人红包”的行为序列和账号、设备、地址、资金的关联，这样才更容易实锤风险。

2）处置精细

在业务增长放缓的情况，体验更是风控需要重点关注的。因为误杀的代价比原来更高，要尽力去挽留每一个好用户，但也尽量不放过坏用户。因此，对于一些风险可控的用户，尽量采取“创伤”较小的管控。例如，相对于原来直接限制用户下单，改为限制用户在某个品类、某个商家、商品维度下单。同时，相较于无限期拉黑，更倾向于合理评估处置生效有效时间。

处置会对平台用户带来最直接的影响。处置精细就是在管控和体验中找到合理平衡。

场景全域

场景全域，通俗讲，就是尽可能覆盖更多的业务环节，发现潜在的风险。

风控不能一个场景一个场景地各管一段，而要覆盖用户跨场景的完整链路，让一个场景发现的风险能被其他场景看到和用上。

一是覆盖范围要全。

风险管控会形成一个循环，随着风控接入的业务越多，获取到的数据越多，会有利于问题的发现。

比如，在价格管控环节，风控中台职责的工作是判断一个商品是否价格过低。这是一个通用化的识别能力，识别时已经是事中。但在各类价格风险事件中，往往会发现事前在很多业务系统上，运营人员很可能配置错误促销，导致价格事件发生。这个时候，风控需要协同业务系统，发现事前的风险问题。风险识别覆盖完整的价格设置流程，尽量将问题前置化解。例如，在创建促销的时候，针对可能导致低价的误操作做一系列提醒。

再比如线下业务，很多风险发生在线下，更难发现。因此场景上要把线上数据和线下数据结合起来，更多挖掘履约环节的特征；有时甚至需要组建专门团队做实地稽查，才能补齐证据链、加强风险识别。

二是风险信息要能跨场景流转。

一个场景识别出的风险标签、用户画像，要能被其他场景继承和参考，而不是各建各的库。这样黑灰产才没法“打一枪换一个地方”——在这个场景被标记，换个场景还能当新用户。

场景全域。视野从单点活动扩展到完整链路，风险信息跨场景打通，形成互补监控的能力，有利于构建更牢固的风险识别体系。

技术智能

这两年AI技术在行业深度落地。通过机器学习、知识图谱、关系图库、智能决策引擎等核心技术的迭代，风控从传统的规则驱动，迈向数据驱动、智能驱动。新技术的迭代有助于构建起更立体、更多维、更深入的风险识别体系。

最明显的趋势就是，利用大模型的能力和风控领域的专业知识做结合。非结构化数据能被高效解析，风险特征挖得更深，复杂场景下的甄别精度和研判效率都明显提升。一些常态化风险研判的日常运营工作，能够在AI的帮助下释放人效。

例如，针对风险审核场景，大模型可以通过调取各种风险研判数据——用户基本信息、关系网络、处置记录、聊天信息等，经过深度下钻来判断这个用户是否存在风险，提升机审效率。

在风险咨询场景，风控具有较多专业性的知识可以形成知识库，设定智能化机器人问答，有助于服务业务部门更好地理解风险、管控风险。

在策略生成场景，AI辅助策略分析师分析误漏样本，挖掘更多潜在的贡献特征，自动化生成AI策略。

在特征加工场景，策略分析师定义加工口径被更好的规范和标准化后，研发可使用AI自动属性加工验证，释放大部分基础特征的加工人力耗时。

可以看到，大量涉及重复、可沉淀为标准SOP的运维工作，我们都可以利用AI作为我们的助手，尽量释放人工运营的人力成本。但目前的模式依旧是辅助驾驶状态，风控处置需要严谨性，如果搭建稳定、高性能、结果高一致的工作流程，是建设智能风控需要重点关注的。

同时，行业逐步搭建标准化的数据中台与风控中台，打通跨场景、跨系统、跨主体的数据链路，把风险标签、特征库、决策模型统一沉淀下来并持续迭代，形成“数据归集—智能研判—实时预警—闭环处置—自主优化”的全流程风控体系，技术赋能的深度和广度都在持续提升。

合规规范

和风控直接相关的合规监管这两年明显变严，不是感觉，而是有具体动作。规则从原则变成了可检查的条款。

• 反欺诈与支付安全有了可执行的操作细则，《反电信网络诈骗法》把反诈法要求落成网络支付安全管理标准，明确异常账户和可疑交易要核实、延迟结算、限制或中止业务，还要能执行公安紧急止付指令。
• 自动化决策被套上用户权益保护的框，移动互联网应用程序（APP）自动化决策用户权益保护要求专门规范 APP 自动化决策中的个人信息处理和算法建模，风控的评分、拦截、差异化定价都要面对合规审视。
• 反洗钱尽职调查转向基于风险，低风险简化、高风险强化，高风险场景的举证要求更实更细；合规本身也成了必须有人负责的岗位，金融机构合规管理办法要求设立首席合规官，2026 年 3 月过渡期届满，合规从部门职能上升到高管责任。

合规正在成为行业的准入门槛。随着数字监管体系持续完善，算法合规、数据安全、服务标准化不再是加分项，而是必须跨过的门槛。低效、不合规、技术薄弱的主体会被逐步出清，行业秩序随之净化。

对风控来说，合规体现在两个环节。识别环节，采集哪些数据、刻画到什么程度，都要有明确边界，避免超范围收集和使用用户信息；处置环节，每一次管控都要说清依据、留下记录，既经得起监管审视，也能在误杀时快速复核、及时纠正。策略还要可追溯，识别和处置的每一步都能还原、能解释，既保护用户权益，也让风控自身站得住脚。

合规也在重塑竞争格局。市场会走向垂直场景深耕，企业针对金融、政企、平台经济、新兴产业等细分赛道打造专属方案，形成差异化优势。同时，行业逐步构建协同共生的生态，打通技术服务商、场景方、监管端的联动链路，实现风险共治、数据共享、技术共研，从单一技术服务向全域风险治理生态升级。

结语

总体而言，近几年是智能风控行业加快技术更新、重塑格局、价值升级的关键转型节点。我们仍然面临不少挑战：模型适配不足、数据治理缺乏标准化、合规压力持续加大等等问题。

但未来的方向逐渐清楚。

增长放缓之后，风控不能再靠堆规则、拼人力，而要走向识别更准、处置更巧、场景更全、技术更智能、合规更扎实的精细化治理。

这条路并不轻松，期待看到行业更好的发展，让每一个风控人发挥更大的价值。