专注 B2B 跨境支付的背后，XTransfer 的风控基础设施是如何炼成的？

据统计，我国从事进出口业务的企业数量达数百万之多。中小微企业占出口贸易 60% 以上，且逐年递增。同时，因为这些年疫情的缘故，进一步加速了 B2B 外贸业务由线下向线上转移。

相比 B2C，B2B 跨境支付由于涉及多方机构、多个环节，支付手续更加复杂繁琐。因此，中国外贸企业对于更高效的 B2B 跨境支付系统、资金管理系统有着更大的需求。

其中，中小微外贸企业亟需更高效的跨境支付平台。在跨境支付及金融服务方面，对 B2B 中小微外贸企业来说，首先，开通传统银行账户门槛高，资质要求严格，成本高昂；其次，由于反洗钱的要求，一些传统金融机构对于跨境贸易的风险控制更多依赖于人工审核（流程复杂、效率低）、收款流畅性差，中小微外贸企业时常面临资金被冻结或关户的情况。

因此，整体而言，B2B 跨境支付行业目前仍处在早期发展阶段。InfoQ 从 XTransfer（面向中小微外贸企业提供 B2B 跨境支付和风控服务的平台 ）进一步了解到，由于 B2B 模式交易链路涉及大量的线下环节，这造成了 B2B 跨境交易数据的分散以及非结构化，也为 B2B 跨境金融的反洗钱风控带来非常高的难度系数。

近期，XTransfer 发布了六大核心技术，希望能抽象出一些技术来和行业做探讨，其中主要体现风控能力的是“数智化风控基础设施”。为此，我们与相关专家进行了一次采访，以进一步了解 XTransfer 是如何做风控管理和建设风控能力，希望其实践经验能对行业有所帮助。

采访嘉宾 ：

刘艳芳，XTransfer 联合创始人兼 CTO

田天，XTransfer 高级技术总监

康伟，XTransfer 技术专家

数智化风控系统

在创业初期（2017 年 7 月 --2018 年 10 月），XTransfer 先是推出了基础风控平台，确保支撑业务的发展。有了“1”之后，其风控基础设施才朝着更智能化、数字化的方向发展。

据了解，XTransfer 数智化风控基础设施的核心是：在 DataPlus 大数据平台基础上，通过智能监控和专家决策，建设数智化的风控系统。从应用系统来看主要由两大核心部分组成，分别是 X- 巡游和 X- 尔摩斯。

其中，X- 巡游是 XTransfer 自建的信息洞察系统，通过自建风控数据仓库，并整合全球顶尖风控数据库，融合多维度场景数据，识别潜在风险、防范欺诈发生。

X- 尔摩斯是 XTransfer 自建的风控决策分析系统，通过引入交易信息 AI 智能分析，构建包括决策引擎、规则引擎、模型引擎、数据集市等在内的高效风险识别系统，快速分析识别高风险客户和高风险交易，保障交易安全。

风控模型

针对中小微外贸企业的贸易行为及其供应链特征，XTransfer 需不断迭代风控模型。其风控模型是通过风险策略团队与审核专家的规则模型训练形成，双方互相反哺。

关于风控模型的构建和迭代，XTransfer 主要从策略模式、机器学习和深度学习等维度去设计。

1. 策略模式，基于业务模型总结的风险防控策略。主要是基于一些业务模型的沉淀和总结，形成相应的风险防控策略，这些策略最终会形成整体策略模式。

2. 机器学习，通过有监督学习开发风险模型，处理灵活场景，有针对性地进行一些学习算法的实践。比较有特点的是这些场景通常会有一个固定的模式和规律，有迹可循。

3. 深度学习，运用图算法，深度挖掘一些特征。这些特征部分跟上述机器学习的不太一样，会有一些固定的模式，但是复杂度更高，对机器学习算法有一定的要求。比如典型的案例场景是防欺诈中的团伙作案，它具备一些特征，但特征又比较多，需要通过深度学习的方式去寻找这些特征点、特征量，再把它识别出来做风险预警。

据悉，XTransfer 大数据算法团队还与风险策略团队联合研发上线了一系列 AI 项目，包括基于知识图谱的欺诈案件深挖、基于 OCR 实现客户订单和物流信息识别与资金流进行交叉验证、基于自然语言处理技术实现行业匹配度计算等。

智能风控

X- 巡游体现的是智能风控能力。智能风控方面，数据风控模型开发算法涵盖主流标准化 AI 算法模块，并可实现算法自定义优化。专业的风险策略开发人员可以进行数据整合和模型开发等一系列操作，大幅提升模型开发效率，逻辑回归模型、决策树等各类主流 AI 算法通过应用程序接口实现，模型数据的准备主要来自 DataPlus 大数据平台，风控运营人员也可以利用规则引擎进行风险衍生指标的设计。

智能监控对风控模型表现进行定期监控和更新，根据需求采用标准化模版或者结合自定义指标生成自动化报表。例如跨境金融反欺诈场景的风控往往基于跨境贸易的全生命周期进行，在业务各个环节上需要对数据风控模型的识别能力进行持续监控，报表的主要监控指标包括指标的波动范围百分比和表现迁移百分比等。

关于 XTransfer 智能风控的底层基础设施建设，可查看此文：《跨境支付平台 XTransfer 的实时数仓之路：深度参与开源才能不被淘汰》

如何收集、分析、治理风险数据

数据和数据的应用是风控的关键。据介绍，XTransfer 从一开始就在风控和大数据层面投入大量专业人力，经过打磨，在数据收集、数据建模、数据分析、数据治理等各个环节深耕细作，目前已经建立起一套行业领先的数智化风控解决方案，并且能够根据公司业务及风险趋势的变化而做出及时调整。

数据收集

数据收集上，针对 B2B 业务的全流程链路，全面整合多维度场景化数据。这里 XTransfer 主要考虑三个原则：一是全面性，二是技术可用性，三是避免数据孤岛。

关于全面性，从客户开展外贸业务的流程以及客户与 XTransfer 合作过程的交互两方面来尽可能充分考虑可采集的数据，同时广泛对接和利用全球贸易生态中信息流、物流和资金流相关数据源，可应用于客户身份（KYC）及交易全景风险扫描。

在技术可用性方面，需要确保收集的数据可用，比如通过埋点所采集的客户行为数据，采用业内最先进的设备指纹技术可形成全局统一 ID 定位到具体客户，避免数据无法关联而不可用，另外根据应用的需要在技术上有实时和批量不同的采集技术方案。

在避免数据孤岛方面，通过数据汇聚和交换的能力，实现从内部各个业务系统及外部数据源所采集的数据互联互通，从而使数据应用更有保障。

数据建模

数据建模方面，深度理解业务流程和环节数据，设计专门的针对风控场景的数据模型方案。该方案具备覆盖全域数据、结构层次清晰、数据准确一致、数据方便易用等特点。覆盖面上，数据集中建设，考虑各业务流程全域数据；结构上，纵向是源数据层、数据明细层、数据汇总层、应用层，横向是各业务主题域，整个层次机构清晰易理解；准确性上，指标统一管理、统一命名、统一口径，确保数据准确一致；使用上，将复杂的处理尽可能前置，保留必要的冗余，提供数据使用的灵活性。

数据分析

数据分析方面，则是基于业务领域专家知识，同时采用先进的大数据和 AI 技术提升风险识别能力。将业务专家的领域知识融入到数智化风控方案中，同时在数据分析的过程中对风险识别更加敏感。

另外利用计算机视觉、自然语言处理、图深度学习、知识图谱等 AI 技术开发识别欺诈个案 / 网络、建立反洗钱模型，形成对传统风险规则的补充，构建立体的风险防范体系。最终通过决策引擎将分析成果应用于风险管理业务中，可实现策略模型的快速迭代，以应对外部风险趋势的多变性。

数据治理

数据治理上采用业内先进的治理理念，保障公司数据质量、数据安全、数据运营智能化。数据质量上，从数据命名、口径统一、数据校验等层面制定统一的数据开发标准，并配合培训体系加以保障。数据安全上，通过统一安全认证和权限管理、资源隔离、数据加密、数据脱敏、数据共享安全、数据容灾备份等方面，保障数据在存储和使用上的安全性。数据运营上，通过元数据管理、数据资产视图能力、数据检索能力、数据共享能力实现数据的智能化运营，提升数据的可用性。

长期挑战

由于 B2B 领域最大的挑战之一是数据链路比较长，且数据相对分散，因此对于 XTransfer 来说，要不断提升反洗钱风控能力，数据的持续沉淀尤为重要。另一方面是算法准确度，这方面始终存在优化升级空间，如何提升也是团队需要长期思考的问题。

此外，InfoQ 了解到，XTransfer 正在规划业务“出海”，而在这个过程中，“合规”将是 XTransfer 面临的主要挑战之一。

原本 XTransfer 主要是在国内服务中小微外贸企业，按照国内出口企业的特征与模式来开展跨境交易的风险管理。其买家来自全球不同国家地区，核心风控策略是基于国内商户的基本风险特征，结合买家和交易维度的不同风险特征，形成一套 1*N 的策略框架体系。

当业务全球化，相当于要在其他国家为更多的中小微企业提供服务，XTransfer 将其复杂度定义成 N*N，每个国家 / 地区对合规性的要求不一，对于数据隐私保护的严格程度不同。XTransfer 方面对此进一步阐述道：风控的底层核心是数据。如果没有客户的一些贸易数据作支撑，那么风控就难以做得很扎实。因此，基于当地特定的合规性要求服务海外客户，其复杂度会高很多，海外业务需要有相应的风控体系建设。

值得一提的是，虽然合规性要求有差异，但当前全球各国的反洗钱风控监管框架又有着较高的共性，目前 XTransfer 凭借在 B2B 跨境贸易的支付风险管控上积累的经验，能更快搭建覆盖事前、事中、事后全流程，且符合各国反洗钱要求的风控策略和模型体系。

除了业务层面的合规性，业务全球化也给技术团队带来不小挑战。据介绍，其现有的服务体系在未来的业务全球化发展中存在诸多挑战，如此一来，在业务全球化发展下是否要建立多点并行、或者网络状的风控体系，这也是 XTransfer 正在解决的一个课题。