反欺诈是目前大家比较关注的内容，在知识星球社区，关于反欺诈的相关的内容也不少，相关的课题如下：1.反欺诈埋点的这些页面，风控人都应知悉2.恶意攻击防范之信用卡业务的计数器反欺诈3.数据埋点与设备指纹/设备反欺诈的区别与联系是什么？4.反欺诈之设备指纹（上篇）5.反欺诈之设备指纹（下篇）本文再介绍下跟反欺诈相关的内容，在风控领域欺诈风险与信用风险是需要区分的，虽然两者有些许不同之处，一般用还款意愿跟

→ 解法：看我们如何利用DeepSeek自动抽取关键指标，生成动态信用评分卡；→解法： DeepSeek辅助0代码基础的童鞋开发基础模型–线性回归等模型。*详细的部署实操指南（Ollama+Dify专属避坑安装指南），本次会跟大家详细介绍如何本地安装该大模型。杀手级功能：DeepSeek X KiMi联动，5分钟生成带数据可视化的风控PPT。消金公司风控同学小明：用DeepSeek外呼机器人替代人

关注公众号“番茄风控大数据”，获取更多数据分析与风控大数据的实用干货。 数据和模型是反欺诈系统架构的基础。这在之前的文章里也是反复提到过的。数据究竟在反欺诈模块里究竟是怎么使用的？本文主要是想再稍微深入些讲一下这方面内容。首先我们给大家科普下黑产的那些“黑话”，便于大家更好的理解欺诈以及如何去做反欺诈，话不多说，上干货。讲完上面的黑话，我们来几个具体的场景感受下：场景一：Ａ：兄...

关注公众号“番茄风控大数据”，获取更多数据分析与风控大数据的实用干货。 最近在录视频又要写文字又要搬砖，样样兼顾如果文章质量下滑，多多包涵昨天跟知识星球里的同学交流，之前文章里出现的一个催收策略的问题。提的都是好问题，一个个递进，如果把这些问题搞清楚了，也就弄明白策略设置的原理了:为什么对照组是50%的量？测试组1跟测试组为什么分别是20%跟30%吧？2.为什么测试组里一组是...

关注 “番茄风控大数据”，获取更多数据分析与风控大数据的实用干货。 自PC互联网时代起，设备识别就是互联网用户追踪的重要手段。传统的设备识别技术主要包括：IP地址、cookie以及移动互联网特有的设备ID。而随之移动互联网的普及，越来越多的设备指纹实现基于移动端设备，虽然算法有所不同，但是对设备唯一性这个验证，我们的初衷一直没变过。设备指纹从实现的技术方法上看，可以分为主动式设备指纹..

感谢各位关注番茄风控大数据的小伙伴，番茄风控一直在风控领域普及知识。很多内容都非常专业，只有这个领域的人员可以听懂、看明白，甚至风控欺诈黑话，我们之前也开过一些文章，请看：风控中的牛、马、羊是什么东西？黑话等。个人感觉专业度还是较高，我们每天上班工作，坐地铁，赶公车，难免会遇到形形色色人物。对于外部异常复杂的世界，相信很多朋友对很多黑产内容听都没听多。所以我们一直想要做一个内容，就是帮大家普及风控

在风险管理中，数据分析算是一个最基本也是最重要的环节，往往决定着风险管理的好坏差异。数据分析师就像一位侦查兵，数据一有变动就能马上感知。不需像模型岗位，需要等待数据累积到某个量级才能建模。一个优秀的数据分析师不仅要懂得怎么提数做分析，当然更要懂业务。高级的数据分析更是需要结合数据分析的结果提供到位的解决方案。不少打算从事风控数据分析的同学都在询问同一个问题，即风控中的数据分析究竟需要做哪些具体的数

番茄风控第二期《风控数字化全流程训练营》学员课后分享:大家好我是L，刚刚从事量化风控的时间不久，很高兴参与了番茄风控前两期的训练营，特别是策略跟模型方面，颇有收获，今天借这个机会跟大家分享下相关的风控知识，如文中有不妥的请大家指教一.滚动率分析滚动率分析–找出坏客户的定义。1.1实现详细过程滚动率：表示客户从A时间点到B时间点，还款状态从a到还款状态b的转化比率；是两个快照数据之间还款状态的变化情

在番茄风控大数据之前的文章中，之前跟大家介绍过催收相关内容：催收小词典，助你轻松讨回债务。今天文章会再跟大家介绍在这些催收指标中，哪些指标是可以反馈到贷前贷中风控环节的。在策略整体优化流程而言，数据是流动的，策略也应该是连贯、联动的。贷前策略、贷中策略、贷后策略，虽然在风险流程上是割裂的，但在风险而言却应该是整体连贯的整体，以上我们称之为风险指标的联动。此次文章我们将介绍贷后哪些指标，可以跟风险一

风控模型开发的特征选择与常用数据源介绍