从商户流水数据的表现论，主要识别商户好坏的依据在于以下两点：
①商户是否欺诈
②商户是否优质
欺诈行为主要集中以下常见的两种表现：
1.套现（主要为贷记卡）
套现有分商家套现和散客套现
a.散客套现较难识别，一般金额不会太大（不超过2000），且交易无太明显规律，但熟客会高频套现。
b.商家套现较易识别，一般金额较大（集中单卡套现，分散套现对商家而言会加大成本），且交易金额为1000的整数倍或叠数
2.刷单
a.刷交易笔数，存在极低的单笔交易金额记录（不合理的低价单），主要用于商家增加其POS机数据的单量；
b.频繁来回撤销，刷交易记录；
c. 单笔交易金额不限，但为控制成本，会采用单张卡号周期性/频繁刷单，如一个月刷2次以上，同一张卡每月均有交易记录，同时，欺诈者会为了系统管理刷单的卡张资源，会在同一个时间段内处理完同一批次卡张的刷单作业。
3.欺诈商户的损失
套现和刷单等欺诈行为所造就的交易数据，可给商户的账面带来大量入账，实质上该类造假数据是虚构的，如无对该类数据进行筛查，非常容易误判为优质商户，误批高额授信，最终导致商户骗贷的可乘之机，或高额负债无力还款。
4.判断商户优质与否，可以从交易数据的体量、稳定性等切入
前面排除了商户的欺诈行为，后续就可放心从交易数据中进行识别授信；但授信的数据还需要再过滤一遍，过滤冲销/撤销和不合理低价的数据。
然后再看从商户以下几个维度进行考虑授信：
1.金额：单笔交易金额、单张银行卡交易总金额、商户总交易金额;
2..数量：单张银行卡交易的笔数、商户总交易笔数、商户交易的银行卡数
3.时间：近6个月、近3个月、近2个月、近1个月、近15天、近3天、近1天
....
通过以上的维度，可以梳理的常规的规则比如有：
①近7天交易总额>日均交易总额*7*N1
②近30天交易总额>日均交易总额*30*N2
③近90天交易总额>日均交易总额*90*N3
...
其中N1、N2、N3均为波动可以介绍的范围阈值。
但有没有一些较为贴近业务场景的规则，特别是对于商户，不同种类的商户其受到季节性的影响非常大，所以对于商户监控引入了非静默时间的概念。
非静默时间，指的是商户在一定的时间单位内非沉默的时间长度，可以是以时为单位，也可以天等为单位计算。对于静默天数，我们常常在计算的时候再附上相对的时间长度，比如以下都是较为常用的维度：
①近7天非静默天数异常
②近30天非静默天数异常
③近90天非静默天数异常
...
于是通过非静默天数的维度，我们就可以拟合出以下变量维度：
近7天非静默天数异常 近30天非静默天数异常 ③近90天非静默天数异常 ... 其中M1、M2、M3均为波动可以介绍的范围阈值。 看到了吗？我们在制定规则上非静默天数的使用，是小于某个波动阈值M，而交易总量是大于某个阈值N，大家知道这里面的风控逻辑了吗？ 俗话说，一条规则用得好顶的上一整套模型，这句话不是虚的。在风控规则上，我想各位同学还是应该多从业务的角度思考思考，怎么样更贴近业务更符合风控逻辑的规则。起到以一当百的作用。 另外还有啥更有效的规则，如何进行商户风控更多的细则，详细敬请关注： 另： ~原创文章 ... end
标签： 商户
②文章观点仅代表原作者本人不代表本站立场，并不完全代表本站赞同其观点和对其真实性负责。
③文章版权归原作者所有，部分转载文章仅为传播更多信息、受益服务用户之目的，如信息标记有误，请联系站长修正。
④本站一律禁止以任何方式发布或转载任何违法违规的相关信息，如发现本站上有涉嫌侵权/违规及任何不妥的内容，请第一时间反馈。发送邮件到 88667178@qq.com，经核实立即修正或删除。
