我在阿里妈妈做风控算法——摘自【阿里妈妈招聘】公众号

对于算法工程师来说，壁垒不在于模型，而在于数据。对于同一批数据集，尽管不同的算法工程师能训练得到不同效果的模型，但在业务中，这些指标的差异并不会带来肉眼可见的业务效果变化。随着各种算法模型和框架的开源，算法的复制成本是很低的，因此算法很难成为壁垒，能形成壁垒的就是数据和领域知识了。很多情况下，数据集的完备性和纯净度，才是制约模型效果的关键。日常的很多工作，其实都在如何获取更多有价值的样本，样本量不足，再简单的任务都很难拟合。对业务部门来说，数据和业务是紧密相关的，了解业务的本质就是了解数据和构建领域知识的过程。算法的学习成本很低，但领域知识的学习和数据获取的成本很高。

对于算法同学，特别是刚踏入工作岗位的同学来说，容易陷入一种盲目的技术憧憬中。模型设计阶段，喜欢构建非常复杂的模型，堆砌各种高大上的算法，但在实际业务中的收益并不明显，且容易带来不必要的工程计算压力。这时候就应该遵循经典的奥卡姆剃刀原理，简单有效即为合理。这就如同数学建模一样，对于给定的复杂问题，通过各种抽象和特征定义，将复杂的问题简单化，用简单的方法解决复杂的问题，对业务的帮助才能最大化。

在考核阶段，很重要的前提是你的产出和主管的预期目标能保持一致，这点对于新同学来说很重要。否则你可能努力工作了一年，结果辛苦产出的结果却并不是主管想要的，这就容易导致最终的结果和自己预期会有比较大的gap。在做事情之前，一定要和主管对齐目标，确保自己后续的工作和团队大方向、主管预期保持一致，避免劳而无功。

在业务部门，对业务思考的深度和带来的业务价值非常重要，这点对于算法和开发岗的同学同样重要。不论何种形式的考核，都会先看个人的业务思考深度，以及为业务发展带来的价值。而这两点在很多情况下，容易被算法或者开发同学所忽略。因为在技术人的惯性思维里，解决了棘手问题，设计了高大上的算法所获得的成就感，比业务成就带来的满足感要高的多。这也使得有时候我们会陷入到这种思维里，一味追求创新，追求算法的先进性，却忽略了很多跟业务效果更加紧密相关的环节，如数据准备/清洗，模型迭代等。最终使得模型效果大打折扣。

为了避免上述问题，在模型设计阶段，需要提前了解业务背景，了解制约当前业务发展最紧迫的环节，再针对性地设计算法，实现真正的头痛医头脚痛医脚，带来最明确的业务效果提升。在内容风控领域，业务思考非常重要。特别是对于一些底限类风险，如何设计出更加具有安全感，更具完备性的识别算法，离不开个人对业务风险的深刻理解和思考。单纯依靠运营输入的知识远远不够，不要让运营告诉你有哪些类型的风险，以及需要哪些识别能力。他们的建议只是参考，更重要的是要从全局的角度去对问题进行拆解，多想多看，运营的管控需求始终只是你模型识别能力的子集。有些类型的风险并不是不管，只是他们没有想到，要尝试创造管控需求。以我的品牌logo识别工作为例，我之前的工作重心都是投入到风险的召回方面，却忽略了业务管控的标准要求。尽管模型的识别精度很高，但是很多无关商品、山寨相关的风险在业务中是不管控的，使得模型精度和业务精度存在极大的gap。之后重新分析了这部分人审通过的风险数据之后，设计了无关商品自动过滤模型，才真正解决了业务上精度不足的问题。