继上一系列的姊妹篇《风控规则类型策略浅析（认知）》，这篇定位是关于金融+风控类的认知。
总的来说，这篇主要想说明的是几个认知上的东西：
一是了解风控中金融常见业务规则的类型（大概有个认知即可）；
二是了解对应架构是如何的（以携程为例，简单了解即可）；
三是对一些金融中常用的策略模型算法解释，这部分是重点重点（金融风控玩的就是策略+模型）。这几个都是以实践通用去说，以金融风控PM的角度去看，并且以OTA产品，以携程或者蚂蚁金融风控为例加强认知。
（如唯品会金融的唯品花，携程金融的拿去花，蚂蚁支付宝的花呗等服务，其实在金融中既属于业务也属于理财或者消费产品，对于风控+金融类PM，这些是他们落地实践和应用的产品对象。）
补充1，关于风控：
风控策略通常会包含很多种类型的规则，每个规则都是结合产品、业务基于经验和数据分析产生出来的。所以，用于区分线上交易中产生的针对不同场景的问题交易，包括欺诈，洗钱，账户盗用等等。那么，这里的策略更多地会结合用户体验和业务来平衡损失跟业务发展的关系，不同企业应该根据自身的业务情况选择适合的策略体系。
补充2：关于风控PM（面试或者书面背景，比较常用到）：
风控是一个对抗性很强的工作，风控PM是一个很nice（耐撕）的人。
当你有了比较强的防御措施之后，敌人（对不起，其实不应该说敌人，应该说黑产或者“平台不喜欢的用户”，但如果你在“风控类PM”的面试时，如果说“敌人”，可能会引起共鸣加分哟）就会知道他们的某些行为触犯风控规则，此时他们不会无谓地尝试浪费手里的资源。
目前黑产非常庞大，他们可能拥有比风控策略还要全的一套流程和资源。
这要求风控策略要不断的更新升级，而且监控、回顾和分析历史规则是一项基本的风控工作，那么，PM必须要及时地更新策略以及策略的玩法，保证你所负责产品范围的风控策略的灵活性。
总的来说，风控类PM要记住的一个很关键的点，其实也挺有意思——就是我们做PM，往往都说用户是上帝，尤其对于C端要和用户做朋友，他们所想所需你应该要满足，同理B端也是大概如此，只是用户不是个人可能是企业可能是内部某群体。
但是，风控PM则不同，你的落地所面向的用户，其实看起来是用户，但其实不是真正的用户，或者理解不是一个符合你产品业务、公司行业规则的正常用户，而是敌人。
所以你这个对待“用户”的关系要调整，你可以换位思考可以用同理心，但是你的取向更多是对抗性质，就如同我为什么第一句就是说风控本质就是一个对抗。毕竟你的所研究用户化对象是一群善于伪装，不断调整和改进，想尽办法模仿成正常人，享受着与风控对抗并获利的一群人，所以风控策略PM也是无时无刻不在攻防呀~
另外，如果对风控或者风控PM不是很了解的，强烈建议先看：《风控规则类型策略浅析（认知）》
目录：
一、先说下风控金融的基本业务和风控规则
（1）风控金融所针对的业务
（2）金融的主流风控规则和体系（干货+认知）
二、再谈谈系统层面的架构（上下游、中台、支撑层面）
（1）中台
（2）风控产品系统架构
三、最后谈金融风控——策略模型
（1）金融风控模型体系的认知
（2）金融风控的模型评分标准
1、A卡
2、B卡
3、C卡
1、PM要分析会遇到的风险问题
2、模型举例分析
四、没有小结的总结
一、先说下风控金融的基本业务和风控规则
1. 风控金融所针对的业务
一般来说，目前比较大和成熟的金融产品，其实都属于消费金融。他们的一些业务、产品，就是如：
消费分期（如唯品会的唯品会、唯品贷、支付宝的花呗、携程金融拿去花、京东白条等等）；
现金分期（如蚂蚁的借呗、携程金融的借去花、京东金条..）；
理财产品（银行产品or第三方合作）
信用卡（银行合作、自家网上银行）；
供应链金融（上下游业务合作、银行合作）。
其实金融如同商品可以很灵活，业务驱动导致产品不同，很多很多分类列不完的，但比较常见和主流就是以上这些，也是大部分用户所玩的产品，业务盈利来源。
2. 金融的主流风控规则和体系（干货+认知）
金融是很大的，本篇内容只针对互联网金融来看，即是消费金融，如蚂蚁金融，支付宝，美团金融，JD金融，携程金融等等都是。
这类消费金融的风控，主要是针对“风险”的预测、审判。
就是说更多是：有无资格呀？能过审判吗？会不会欺诈呀？会不会延迟还款呀？会不会违约呀？
大白话，就是你要借钱给某人，你会怎样思考和怎样做？ （比较粗暴可以这样理解）
整个金融风控，大的来说就是抵御风险，而PM就是要设计一些规则应用到模型中来帮助抵御风险。
所以，金融风控即抵御风险，金融风控更多最后是要建立某个风险体系，或者说基于不同业务所应用不同风险模型得出的等级效果估算。【如果PM面试相关的，这话可以作为观点，作为思考输出】
补充：干货
这类消费金融的风险大体可分为：可控风险、不可控风险。
（图片有问题失真了，在底部圈住的文字，就是我下面书写的文字点，比如….）
算法能解决的主要是可控风险：比如欺诈风险、信用风险及作业风险；其中，欺诈风险指的是客户在发起借款请求时即无意还款，按照人数可以分为团伙欺诈和个人欺诈，欺诈者往往通过伪造身份信息、联系方式信息、设备信息、资产信息等方式实施欺诈。
信用风险：指的是借款人因各种原因未能及时、足额偿还债务或银行贷款而违约的可能性。（比如市场风险、实质风险及名义风险、政府“红、黑名单”征信制度等）
所以这里综合小结一下，金融风控中，模型占据很高的地位，大厂都是玩这个。
所以接下来在第三部分会重点谈。（第二部分接下来是一些基础的系统和产品层面的架构介绍，以携程OTA为例、并且介绍下最近很热的“中台”）
二、再谈谈系统层面的架构（上下游、中台、支撑层面）
补充1：要介绍这块，是为了让风控金融类PM，其实也不仅仅是这类PM，而是我们整个策略PM在负责某个产品都需要去了解这样的背景。
为何呢？
因为策略类PM更多都是属于“承上启下”的角色，要么支撑，要么应用，都是有上下游流转的概念。你知道了上下游才能更好去开展工作。
要介绍部分，需要先介绍一个概念，也是目前比较热的“中台”。
1. 中台
这个概念介绍，网上很多了，所以简单大白话说说即可。
我这里主要强调在金融风控中：它是什么东西，为什么要它。
中台这个概念早期是由美军的作战体系演化而来的，技术上所说的“中台”主要是指学习这种高效、灵活和强大的指挥作战体系。
（比如电商领域，经过十几年的发展，组织庞大而复杂，业务不断细化拆分，也导致野蛮发展的系统越来越不可维护，开发和改造效率极低，也有很多新业务不得不重复造轮子，因此业界诞生了不少知名中台系统，最著名的是阿里云的数据中台建设。）
首先，有中台的多数是公司业务、技术相对成熟完善的平台。即中台模型是基于完善的技术平台的，如阿里的中台就很出名，甚至有个中间组件团队“横扫”阿里内部，这个横扫是指支撑的作用和重要性描述。
其次，这种数据中台一般可以抽象为三个层次，底层是基础数据层，中层业务抽象模型层，以及最上层的算法模型层。
最后，在我以往所见所闻，对内部中台的理解是：大数据中台的目标是为了解决效率问题，同时降低创新成本。
细化具体如下:（面试如果问到中台，可以结合经验说说自己的简短理解，供参考）
中台的目标：减少沟通成本，提升协作效率；
中台的实现手段：制定标准/规范、提供高可用数据/算法/应用服务、提供统一、标准的数据研发工具；
中台的原则：数据资产的集中管控，分布式执行。
补充2：最后补充一个中台的全景图（以携程金融为例）。
2. 风控产品系统架构
补充1：
其实风控也是近几年慢慢兴起。
这个很简单的逻辑，没有用户量没有利益对抗根本不搞风控都是可以的。但是随着业务发展，用户量增多，风控就必要了。尤其是大数据、人工智能相关的兴起，有了技术支撑。
那么通用的风控产品系统架构，后面发现携程不错。
为啥？因为也是平台级，并且是O2O+OTA平台，适用性很强，还可以连通线下数据，有很强借鉴意义。并且11年他们才开始搭建风控体系，这个时间点其实也刚好是云计算等概念开始兴起，所以有很强背景性。
以携程为例：按其内部说法，现在最新的架构属于3.0版本，也就是引入了上面中台的东西。
但是最初的风控小系统是11年开始搭建起来，大概经历了几个大的迭代。所以下面就一步步去看这几个过程的“进化”。这些内容不是这篇文章的重点，所以更多是罗列和总结一些特别之处。主要是保持完整性，我更多以图片说明。（图来自携程内部风控大数据以及我的一些梳理）
如果要了解携程风控的进展和描述，可以点这《分享关于携程的一些风控干货》
第一阶段
这个时候的风控服务将所有在线决策功能整合在一个系统内实现，包括规则判断、名单库、流量计算，而这些逻辑都基于数据库实现。
基于当时携程对风控的需求，系统以满足功能为主。
PM大白话去理解：
规则怎么判断？就是根据数据库记录大于、小于、等于等判断规则，接收到风险事件后获取流量值和规则进行比较，得到最终的风险判断；
名单库怎么判断？数据库维护黑白名单信息（属性类型、属性值、判断依据等），程序判断风险事件中的值是否命中名单。
第二阶段
然而，在上线运行一段时间后，随着携程业务的增长，风控系统的流量不断增加，基于SQL的流量统计耗时严重制约了系统的响应时间，因此优化改版。
那么怎么改呢？
由于主要性能瓶颈在于数据库实现的流量查询，这次优化主要方向就是优化流量查询的实现：在原来单个数据库的基础上，采用分库分表的方式均摊压力，以达到更快的响应时间和更高的吞吐量。
架构图如下：（下图）
这个阶段的版本比较重要。是为后面新版打了很关键的基础。
从特点来看：
更方便快捷的接入除了支付风险，业务的风险也需要风控支持；
更多的外部数据接入：用户信息、位置信息、UBT信息；
更丰富的规则逻辑：支持任意变量的规则判断，支持更多的判断逻辑；
更高的性能：流量10x的增长，响应时间不超过1秒；
编程语言的更新：携程推动公司内.net转java。
基于以上，才有了实时性的风控在线支撑，也就是3.0版本了。
第三阶段
个人认为这个版本有几个很不错的亮点：
有全链条的风控。就是看上图，从你设备行为（采集分析）到出票（交易完成）的全链条都是风控有监督；（别小看这个设备采集的环节，在整个体系中，指纹数据采集和指纹识别生成，从而判断设备的唯一性，而唯一标识用户的身份是非常关键的，冤有头债有主）
全链条相关联的。就是上下游环节相互影响，相互分析和判断。
引入了用户风险画像，这个可以说是用户画像中比较特殊的内容标签了，风控。
实时。
补充2：
为了更好理解上面的第1点找了一些相关图片补充，依次排列：
三、最后谈金融风控——策略模型
在最前面讲到金融风控的风险体系——消费金融的风险大体可分为可控风险及不可控风险，所以这里的策略模型就是为了规避这些风险而诞生的。
1. 金融风控模型体系的认知
一般来说，从上上面看整个系统流程图，可以知道的是：风控模型贯穿获客、准入、经营、逾期的整个客户生命周期。
所以，按消费金融类产品而言，大范围通用的手段：是可以根据用户生命周期的不同阶段，可将风控模型分为贷前信用风险模型、贷中行为风险模型、欺诈检测及贷后催收模型。
不过在实践中和业务事实上，抓住信贷审批管理就能控制80%的风险，一旦用户获得授信，后续的管理只能控制20%的风险。
除此之外，其实核心也可以根据：贷前、贷中、贷后不同场景，可以从不同的观测粒度进行建模与抽象。
拿携程金融的业务来讲，PM可以这些角度去看：
可以从每一笔交易角度来看，
可以从携程生态中用户账户来看，
可以从自然人概念为核心的客户级别来看。
一个自然人客户与账号可以是一对多的关系，一个账号与交易也可以是一对多的关系。
补充1：
根据上述的前中后，业务和应用算法策略：
2. 金融风控的模型评分标准
你有无额度、额度多少；
能不能开信用卡；
为什么没有借呗对你开放….
其实，如今在银行、消费金融公司等各种贷款业务机构，普遍使用信用评分，对客户实行打分制，目的是想对客户的风险水平有一个准确的判断，并作为风险定价的重要手段。
行业内常用的是ABC三张评分卡。A卡、B卡、C卡分别表示：
申请评分卡(Application Score Card)；
行为评分卡(Behavior Score Card)；
催收评分卡(Collection Score Card)。
（1）A卡：在获客过程中用到的信用风险模型
从模型的角度来看，它会对用户未来一定周期内的逾期风险作预测，即模型会在用户授权的情况下收集用户多维度的信息，以此来预测逾期概率。
预测的逾期概率被用于风控策略或者转换成信用评分。（比如国外经典的FICO评分，国内的蚂蚁信用芝麻分、京东小白评分、携程金融的程信分等。A卡评分除了用于决定是否通过用户的信用申请，还用于风险定价，比如额度、利率等。）
（2）B卡：为评分
即用户拿到信用额度后，模型根据用户的贷中行为数据，进行风险水平的预测。
本质上讲，这个模型是一个事件驱动的模型（即输入多维度行为——输出结果预期分，不同的选择造就不同的结果，很多黑产卖pos机或者养卡，就是利用一些银行的规则），在互联网金融领域，一般会比A卡的预测时间窗口要短，对用户的行为更为敏感。（因为B卡除了可以用于高风险用户的拦截，也可以作为额度、利率调整的重要参考因素。）
（3）C卡：催收评分会判断
这个比较好理解，没有那么复杂，简单说就是怎样追债成功率会大一些。who、time、how much……(例如当用户出现逾期时，机构应该先催谁，或者哪些用户不用催，就自动会把钱还回来。催收模型一定程度节约催收成本，提高回催率）
补充：小结
个人认为上面的，金融风控PM一般会比较关注AB类，C类往往是由一些“催债员”去跟进。
其中以A卡为重点策略模型，为何？
因为决定给不给你，等同吸引他人掏钱购物，是一个本质重要性。（下面以金融+风控PM角度去看，重点分析几个金融风控策略模型）
（1）PM要分析会遇到的风险问题
贷前主要解决用户准入和风险定价问题（大白话去理解就是：即面对一个新申请的进件用户，判断用户是否符合产品的放款条件及相应的放款额度、价格、期限等问题。）
补充1：（面试会经常问答的）
PM面试，回答从来离不开业务+业务遇到的问题，没有这个为前提的任何思考和需求都是比较虚的，没有支撑点。
细分问题，PM所重点关注侧策略模型，要解决的关键点：
反欺诈识别：根据用户提交的材料进行身份核实，确保用户不存在欺诈行为；
信用评级：与传统银行的信用评分卡原理类似，数据维度更加丰富，综合用户的社交数据、行为数据、收入数据等，判定用户的信用风险等级，评估用户的履约能力；
风险定价：根据用户的负债能力和收入稳定性，判断用户可承担的月供金额，确定用户的放款额度、偿还期限等，并根据用户风险等级确定用户的费率。
这三个问题往往是互相影响、互为前提的。
（举个简单的例子，对一个月收入3000的用户来说，月供在1000左右，用户可能履约良好，信用等级良好；但如果月供提高到4000，严重超出了其收入水平，即便不是有意欺诈，也可能出现断供的情况，从而得到比较差的信用等级）
（2）模型举例分析
从PM角度去看，以携程金融为例，看看信用风险建模（A卡）做了关键点。
首先从模型的源头，建模开始。
PM会对A卡建模工作的侧重点，主要包括如下几方面：（前两点比较口水话，个人价值一般般，面试也比较少深挖的。第三和第四点重要，此类PM实践工作会较多的，遇到问题也是这些环节出现较多，可以重点mrak）
确保策略的一致性。就是尽量减少人工干预，并利用机器学习的优势提升决策效率；
准确反映并量化用户的风险级别。策略人员可以控制和减少风险损失，因此对评分卡等级的排序能力、稳定性要求会比较高。
对好坏用户定义。（这部用户画像PM会参与进来的）这个很有意思，因为风控是对抗性，所以这里的用户心理和传统PM所想的不一样。（这个我在后面补充了）
样本规模筹备、算法迭代推进。简单说就是不断找新的数据去测试，测试好了又不断升级。同时不仅仅是数据量不断更新，当有了新的业务，那么发展起来的风控也是需要不同的。（这个也比较核心，后面补充了）
补充1：如何定义好坏用户
所谓好坏用户，这一点可能是A卡甚至是互金大部分风控模型的最基础最核心的工作。
前面别小看这个，这个不是那么容易和简单解决的。虽然看就像性别标签，无非男抑或男。但是！在大数据大互联网背景下的风控，你要定义用户好坏，进而分配资源和权限资格给特定用户，其本质对公司产品业务是十分影响的。就如10个犯人中，但误捉了5个人导致冤狱，后果不仅仅是这5个人的被冤枉，更加反映是用户群和市场对这个产品的信心不足（对司法体系不信任）
PM对这个模型建立的核心工作：
是对样本标签的定义；
是与实际业务场景、策略目标相一致；
是综合考虑不同定义下的样本量。
补充：案例
上面比较虚，补充一下案例。
以下可以作为面试时的具体案例分享，或者你对风控案例的一些思考。可以作为面试的回答。如果有经验和把控，想获得强的把控，一定要学会设计提问和作答，让面试官下个问题会问到你预期设想的，注重社区的文章逻辑，如果有心，基本全部内容都可以变成面试回答点。当然，这是要分方向的前提。你不可能面试推荐PM回答风控PM的点。
比如1：在现金分期场景中，可以画一下用户回款率（或者滚动率）和逾期天数趋势分布曲线，用户逾期N天以后回款率或者滚动率便已经趋于稳定(梯度平稳)，则可以N天以上逾期作为筛选坏样本的依据。
比如2：在某些场景下，如曾经的Payday Loan，由于整个业务周期只有半月或1个月，为加快模型迭代速度，有时甚至会定义7+甚至1+逾期用户为坏客户。在一些银行场景中，出于坏账计提考虑，可能定义90天以上逾期为坏客户。总之，好坏用户的定义不能纯靠人工经验，应该以场景的数据为基础，进行数据分析之后确定。
补充2：如何不断迭代算法
这个一般是分阶段的：
如在业务初期，样本数据量极少，往往根据相关业务经验确定使用的特征和规则；（说的不好听就是团队自己内部推理，分析，经验预判）
如随着数据的慢慢积累，开始采用部分精细特征，使用简单的机器学习算法训练；
如当样本数据量积累到百万级以上，可以尝试采用神经网络算法进行特征自动提取或者end-to-end的风控模型训练。
面试回答，可以用以下的话作为总结。
总之，金融的风控模型优化的过程，实质是紧随着业务从无到有、从小到大，数据量由少变多，特征由粗到细，模型由简单到复杂，效果由一般到突破的过程。
这个不管是阿里系的还是携程的 乃至很多大厂的都是如此。
补充A：案例
（附上携程某产品-XX花的迭代算法版本效果图）
补充B：金融风控PM在这个阶段怎么做？
这个补充是来自于一些内部学员的反馈，就是希望更具体知道这个阶段推进迭代是怎么开展的。
其实对于一个模型来说，你要达到什么指标，满足或者不满足，不满足就继续推进呀。而你要推进这个迭代所期望的目标，就要分析目前是有什么不足和问题，需要找资源呀。这个本质和传统PM或者其他策略PM，都是相通的。
但是！这里的资源和判断方法是有区别的，你所监控的数据指标是也是有区别的。（如你要判断客户C端好不好，可能是通过日活，留存等指标，但是算法策略模型，肯定不是说就这些了。如技术指标AUC这些是主要的。）
下面说说：假设在模型建立后，需要对模型的预测能力、稳定性进行评估，从而进行推进迭代。那么，看模型效果不能只看KS，KS定义是从0-1概率之间好坏样本累计概率最大差值，实际应用中一般不会直接取这个阈值（cutoff）作为策略，因为在这种cutoff下，通过率可能会很低。
风控不能不管业务，举个极端的例子，通过调整cutoff，风控几乎可以做到任意想要的逾期率，但这样通过率就很低了，业务规模可能只停留在极少数资质优秀的客户。
所以评估模型时，基于风险的评估及基于业务的评估是必须的。
因此，模型评估可分为三层：
第一层：机器学习模型评估指标。信用评分模型常用的评估指标为KS、AUC等。 考虑到金融业务反馈周期长的特点，除了划分训练集、测试集外，通常会预留一段训练样本覆盖时间段之外的数据集，作为OOT（跨时间）测试集，以测量模型在时间上的稳定性；
第二层：风控层面；（比如在不同bucket下，预测概率的排序性能）
第三层：业务层面。（比如拦截率，通过率，逾期表现等）
总之，基于上面的评估分层，监控也做对应的分层监控，如果有条件，还可以对输入到模型中的特征进行监控（比如特征的分布、波动率等）。
那么重点来了，你监控这么多维度就可以判断ok不ok，正常不正常，哪些不正常你就根据业务目标、系统目标去反推不足进行迭代。
仅此而已，有时候对于风控金融策略类PM，其实不用把他们想的太复杂和深奥。
贷中反欺诈按粒度可分为两类：用户级与交易级。
用户级粒度：这个会相对粗一些，即断定当前客户为欺诈客户，可能的策略就是不允许欺诈用户在平台上发生交易行为；
交易级粒度：这是较细粒度的，即根据交易上下文、IP、设备、地域判断当前交易是否为欺诈交易，如果是，即不允许客户进行此笔交易。
PM需要关注贷中反欺诈模型，有3方面的关键点：
长尾分布：欺诈用户其实是极少的；
对抗性显著：欺诈用户会想办法找出系统及规则的漏洞；
模仿正常行为：欺诈用户会利用伪造消费流水，前期正常还款等行为等，让金融公司放松警惕，当提额到一定程度后，便开始逾期。
除了以上，我建议想风控类PM，不管是了解还是想转行，可以从信用卡养卡策略和规则研究研究……理由不解释。
社交风控模型，本质就是基于社交网络的反欺诈。（之前的借贷宝，就是很典型的基于该模型的一个P2P产品，熟人借钱等也是）
基本思想其实很简单，物以类聚，人以群分。比如：一个欺诈分子，可能与其有关系（在Graph上表现为有直接的边连接，这种也称之为一阶亲密度；或者通过边的游走能够触达，这种称之为多阶亲密度），那么可能这些与之有关系的用户也是欺诈分子。
补充1：对社交风控模型（反欺诈）的解释
好多人应该比较好奇这种模型。（微信内部也有这样的模型，但应用是在微信内部，朋友圈等方面，这个不方便多讲，下面以携程金融的风控社交网络为例，谈谈实践方面PM的思考点）
如图所示，通过梳理携程生态内关键实体、关系。
首先构建了一个庞大的异构社交网络，该网络包含10亿级别的顶点，50亿级别的边。
接下来是通过算法，发现社区(Community)。由于社交网络的数据量相对来讲是比较大的，因此在算法层面，对运算效率要求也是比较高的，同时对于社区划分的稳定性有一定要求。
在实际落地中采用LPA、改进的Louvain，实现T+1的社区发现。
最后基于划分的社区，可以获得社区的各种属性统计，这个作为反欺诈策略的重要参考。
算法的策略流程是怎样的呢？
举个例子，比如：当有一个用户到来的时候，看其属于哪个社区，根据改社区的属性确定该用户是否为欺诈用户。
据携程内部，目前在携程金融的实际应用中，基于社交网络的风控指标已经覆盖了贷中80%的贷款请求，同时通过社交网络，挖掘关系人一度或者多度关系，对严重的逾期行为，通过多度关系进行催收，提升回催率。
四、总结
没有太多总结，对于这部分更多是金融风控+策略PM上认知上的分析。其实还有个比较关键的内容，就是实时性的计算。
关于金融类特征指标的实时性，不会是全部都要求，只会选择一些业务需要、风险相关的。
举一些例子：（节选携程PM团队内部分享）
（1）如计算维度的特征：
（2）怎么计算呢？
Down，最后回顾一下，这篇主要定位是关于金融+风控类的认知。
总的来说，这篇主要想说明的是几个认知上的东西：
一是了解风控中金融常见业务规则的类型（大概有个认知即可）；
二是了解对应架构是如何的（以携程为例，简单了解即可）；
三是对一些金融中常用的策略模型算法解释，这部分是重点重点（金融风控玩的就是策略+模型）。
这几个都是以实践通用去说，以金融风控PM的角度去看，并且以OTA产品，以携程或者蚂蚁金融风控为例加强认知。如唯品会金融的唯品花，携程金融的拿去花，蚂蚁支付宝的花呗等服务，其实在金融中既属于业务也属于理财或者消费产品，对于风控+金融类PM，这些是他们落地实践和应用的产品对象。
