这个小知识点终于找到了出处，是数据产品经理会这个群的群友Evans 在219年时候的发的。比较好玩的我把这段话给按到了马大鸽的身上。
这篇抛弃马大鸽
风控模型牛不牛，一般会拆解出两个大维度来分析风控模型有多好 + 风控模型还能好多久
风控模型有多好需要注意以下几点：
1、评判指标，常用的有KS、GINI、AUC等各种指标
2、具备高对抗性，毕竟有人的地方就有江湖
3、具备灵活性，因为攻击值不断变化的特性和行为，风险策略每天都需要及时更新，必须保证风控策略的灵活性
4、具备较好的准确性，但是在保证准确性的用时需要提高召回率，准确率太低会引发各种用户投诉
5、需要保证模型的泛化能力、模型的可解释性、模型的更新速度 * 模型的泛化能力：这种情况应该大家知道啦，在做AB测试的时候效果可以，但是上线后命中率低的可怕，有时候经过一段时间直接为零都有可能。
这里面就涉及到模型的设计了，单模型是相对来说是不行的，也没有什么意义，强大的黑产很快就可以规避掉。
一般业内都是多模型融合，采用复杂的特征和模型增强模型的泛化能力 * 模型的可解释性：风控模型识别处理的数据能做到及时的响应的处理，做到case by case。
因为，任何机器识别处理都无法规避用户投诉和一些其他异常情况，所以模型的建议要基于业务场景特征，才能增强模型的解释性，让结果是用户可以去理解 * 模型的更新速度：在攻击与防护的场景下，模型需要快速的更新，及时召回做case分析处理
