出行類產品:人身風險特徵提取及監控規則建議

出行類產品:人身風險特徵提取及監控規則建議

來自專欄大數據獵人

本文僅圍繞 男性司機-單一女性乘客 ,部分專車或順風車,風險識別監控預警優化。enjoy~

背景就不說了,最近這些事情都是頭條可見。

且眾觀近幾年的各類出行APP,均有過司機對女性乘客的侵害行為事例。對於這些高危事例,獵人都大概看了裁決書的內容,提取了一些犯罪畫像及共性,結合個人對數據應用的一些小經驗,做了一些思考。僅供行業內人士參考。

以下方案,僅圍繞 男性司機-單一女性乘客 ,部分專車或順風車,風險識別監控預警優化。

針對「男性司機」事前有意犯罪及臨時起意兩種情況下可能反映或導致其犯罪心理出現的潛在特徵維度。

一.監控規則及特徵提取,建議如下:

(以下引用>的,表示司機風險潛在等級對比。)

1. 年齡:22-30>30-40歲>40歲-55歲 。

2. 出身成長地域: 貧困山區>村>鎮>縣>市區(四線>三線>二線>一線)【識別權重:根據身份證歸屬地(若有變更,最好以未變更前的為準)>GPS偏遠地區定期打點識別>手機號歸屬地>銀行卡歸屬地】。

3. 學歷:小學及以下>初中>高中>大專>本科及以上。

4. 常住地址:打點常在地。可延伸居住環境、收入情況。居住環境不好、收入情況一般也不行,相對來說出現需要錢的情況可能性較大;居住環境很好,疑似富二代的,撩妹子為主要目的,也需要關注。

5. 收入情況:通過銀聯介面,查詢消費數據,消費習慣、消費品類別等情況,判斷是否有不良消費行為,消費能力等。

6. 不良名單:黃賭毒、多頭借貸、負債大戶等,特別是短期內才發生情況。

7. 接單時間段,時長及年限,穩定性:時間短>時間長; 停單間隔短>停單間隔長;19:00-6:00>6:00-19:00

8. 長期載客蹲點、起點及結束點範圍:

  • 蹲點:長期蹲點在酒吧、KTV、酒店、賭博場所等司機,列為重點關注對象;某個時間周期突然在新的點出沒接單的。
  • 起點:上期起點在酒吧、KTV、酒店、賭博場所等司機,列為重點關注對象。某個時間周期突然在新的點出沒接單的,特別是行駛範圍與常規的有區別。
  • 結束點:作為司機接單距離判斷,距離長短-區分長短途;路徑情況-區分是專走高速或山區或偏僻地方等,作為異常點關注。

(1)高危區域判定:高速公路、山區、村莊、廠房等;通過經緯度、GPS密度識別及基站識別等。司機手機APP類型及使用情況監控,特別是借貸類APP。(2)異常行為: 接單後GPS無信號;非紅綠燈附近的停車;偏遠區域臨時停車且時間超過一定時間;非交通堵塞路段的停車;非指定路徑的停車等;經常不按指定路徑行駛的。(3)群體性行為關註:滴滴行業交流群,論壇等關聯用戶關聯司機賬戶並做風險關注;交流群異常事件行為識別並做風險特徵形成規則監控。

二. 乘客端產品體驗端優化建議:

  1. 警報功能優先顯示;
  2. 增加叫車前人數輸入框,如果數量為1,則優先配女司機或良好資質司機;或做警示提示,且做好過程監控-司機不按路徑行駛;司機偏僻區域臨時停車等;乘車人狀態(清醒、醉酒)選擇等。(1位女士>2位及以上乘客)
  3. 增加交車前是否本人乘車,非本人乘車需增加乘車人身份輸入窗口,提示是安全需求;且同步在乘車人手機同步鏡像路徑監控。
  4. 接單行車過程語音識別敏感字眼,做語句情感分析,若涉及敏感字眼,可及時做進一步監控。

三.司機端產品體驗端優化建議:

  1. 藉由最近的社會輿論,強化警察監控功能,對於風險較高單子,可主動提示「這次行車已隨機被監控」。
  2. 增加司機對乘客端印象自動填寫框,但不對乘客顯示或歸類為顯示默認的幾個標籤,主要用做司機素質隱性判斷。對輸入印象較為敏感的司機做隱性風險評分。
  3. 接單行車過程語音識別敏感字眼,做語句情感分析,若涉及敏感字眼,可及時做警示提示。

以上建議,需根據實際業務數據做調整監控。或有考慮不周的地方,可以交流。

大數據獵人,微信公眾號:date-hunter,人人都是產品經理專欄作家。數據猿專欄專家,移動支付網專欄作者、智帆金科特邀作者,知乎專欄。多年金融行業(基金、理財、保險、信貸等行業)相關戰略研究、行業分析、商業模式搭建經驗,熟悉金融+大數據+風控+營銷領域。

推薦閱讀:

巧用指標拆解和連環替代,一招定位指標的最大影響因子
老三樣(一):邏輯回歸--LR
交叉驗證
怎麼學python 數據分析 人工智慧

TAG:數據挖掘 | 監控 | 特徵提取 |