这也导致，名单来源千奇百怪，风险不一，你也不知道这个output的input是什么。所以，在接入的时候我们要评估它的覆盖率和准确率。
准确率就是命中的人风险是多少，显然是越高越好，实际上可能达到大盘风险的3倍、5倍就是合理的了。那覆盖率呢，就不能太高，3%、5%可能比较合适，如果达到10%以上，同时在这个水平上还能达到很高的准确率，就太夸张了，那这个数据的可靠性值得去怀疑下。
所以啊，不怕你没得拦，就怕你拦的太多。
不可避免，即使有合理的自动出黑机制，黑名单也容易越拦越多。
那怎么办？可能还得想点办法手动出黑。
也就是对其中一些低风险用户进行清退。但是这些用户又都是直拒的，没有风险表现。
手动清退还蛮困难的。
三、如何清退有困难也得做啊。怎么做呢？
这就是最开始提到的问题，是从里面把好人放出来，还是把坏人排掉后其他人都放出来？
这本质是风险偏好的问题。
如果我们认为样本总体，也就是待处理的黑名单全体，比正常用户要差，从里面捞好人就是更稳妥的办法；反之，如果我们认为样本总体和正常用户差不多，那应该采用排坏人的形式，要相信我们的模型，因为模型就是这样做的。
风险评估是伴随着置信度同步存在的，我们用模型做一个风险评分，评分好的用户里面有一批置信度高的好人，评分差的用户里面有一批置信度高的坏人。剩下大多数是中间态。
因为黑名单较差，清退中间态的用户太过冒险。稳妥起见，我们应该捞好人。
这相当于默认这些人有问题，捞回那些你能证明是好人的人。
这是有罪假说啊。
陪审团审判，首先假定一个人无罪，然后收集证据证明他有罪，如果有足够证据证明他有罪，就拒绝他无罪的假设。
我们做风控黑名单清退，竟然是在采用有罪假说。
具体怎么做呢？
我们需要一个模型去筛选置信度高的好人，其实无监督是不太合适的，因为那是找极端的坏人。我们需要定义合适的标签，一是，这些黑名单用户中应该还是有低比例用户有风险表现的，贷中的入黑就会产生这种结果；二是，图网络技术在这是合适的，因为信用风险是可以传播的，想法设法给一部分黑名单用户打出这个标签。
显然，这样的清退只能清退较少比例的用户，如果你期望黑名单规模减半，那还是从入黑的有效性入手吧。
正因为清退困难，作为用户来说，尽量别触黑了。
你也许会说，这个自助餐店不让你进了，你去其他家不就得了。
如果说，这些自助餐店共用一套黑名单呢？
四、背后的第一性原理黑名单容易传导，同时又很难被清退，入黑容易出黑难。这件事情背后是，一个坏用户带来的不良影响是需要很多很多好用户来弥补的，甚至是毁灭性的。
连我这样的号写点这样的文章，都难免有要回避的人。

文章插图
我要强调一下这个做法的合理性。不然你可能觉得很多事情很难理解。

• 为什么很多平台会设置高危地区的规则？
• 为什么找工作要非常认真地考察自己的直系领导？
• 为什么读研究生要选一个家庭和谐的导师？
• ……

稿源：(人人都是产品经理)

【傻大方】网址：http://www.shadafang.com/c/110Y5104R021.html

标题：用户|征信黑名单越来越多，该清退了( 二 )