年薪100w的風(fēng)控到底需要懂什么?
大家好，我是小伍哥，周末了，聊點輕松的話題。
作為風(fēng)控的同學(xué)，工作的時間長了，可能會遇到瓶頸，職業(yè)或者薪資上升都比較迷茫，特別是100w（很多已經(jīng)100+的大佬可以離開了）這個坎，這個時候怎么辦呢？其實查看各個企業(yè)的崗位需求，是個非常好的方法（轉(zhuǎn)行的同學(xué)更需要看）。
如果你的年薪在50-80w,，想往100w+沖一沖，但是又不知道學(xué)啥，那可以找到對應(yīng)的崗位，并認真解讀，就知道了。這里以騰訊下面的兩個崗位舉例，一個4萬到8萬，一個7萬，很多人一看，會說這也沒有百萬啊，其實互聯(lián)網(wǎng)的薪資不能簡單的12*月薪。對于騰訊，大概率能有18薪，這個價格的人，進去一年后基本都發(fā)股票啥，如果是好部門，年終獎可能翻倍，我們簡單計算下年薪。
下限：40*18 =72w
中間：60*18 =108w
上限：80*18=144w
即使取下限，一年后加十幾萬的股票，也能接近100w了，所以知道了月薪和年薪的差異，有了基本的認知，我們就來看看這兩個崗位到底需要學(xué)習(xí)什么了？這兩個崗位，一個偏實踐與應(yīng)用，一個偏前沿與研究。我們重點講第一種，普通人通過努力可以達到的這種。
負責(zé)將機器學(xué)習(xí)、數(shù)據(jù)挖掘方法應(yīng)用于QQ、Qzone企業(yè)QQ、視頻、信息流等業(yè)務(wù)安全領(lǐng)域
機器學(xué)習(xí)：基本上就是傳統(tǒng)的機器學(xué)習(xí)方法，邏輯回歸、貝葉斯、KNN、決策樹、SVM、隨機森林、Xgboost、lightGBM、Catboost等一系列傳統(tǒng)機器學(xué)習(xí)要掌握，當(dāng)然，樹模型是重點掌握的對象。
數(shù)據(jù)挖掘：為啥提了機器學(xué)習(xí)，還要提數(shù)據(jù)挖掘？這里可以理解為聚類、關(guān)系網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、同步行為、圖異常、圖密度、孤立森林等一系列基于分析方法、無監(jiān)督學(xué)習(xí)等風(fēng)控特有的挖掘方法論
應(yīng)用于QQ、Qzone、企業(yè)QQ、視頻、信息流等業(yè)務(wù)安全領(lǐng)域
這句話怎么解讀？看起來沒講算法，其實處處都是知識點。
QQ：那肯定重點是社交關(guān)系網(wǎng)絡(luò)分析、社區(qū)發(fā)現(xiàn)、復(fù)雜網(wǎng)絡(luò)等算法必然要掌握
Qzone：那基本都是圖文，圖文算法肯定要掌握，那NLP相關(guān)的方法、圖片相關(guān)的算法得有基礎(chǔ)，Ngram,Tfidf、RNN、CNN、LSTM、BERT等等
視頻：不用講，很直接，當(dāng)然不用擔(dān)心，有了圖片和NLP的知識，視頻的其實可以不會，當(dāng)然有了視頻就有音頻，會音頻處理那就更多的加分了。
負責(zé)騰訊社交及內(nèi)容產(chǎn)品的反垃圾消息、反盜號、反作弊、反欺詐等工作，承接基礎(chǔ)風(fēng)控數(shù)據(jù)建設(shè)，安全態(tài)勢感知、自動對抗體系和黑產(chǎn)團伙挖掘等工作。
反垃圾消息：NLP垃圾識別，各種火星文、同音、形似字等識別
反盜號：這個就是識別盜號的了，沉默賬戶登錄，IP到常用地解析，常用設(shè)備畫像等
反作弊、反欺詐：刷單、刷投票等，基本就是刷單那一套方法論
安全態(tài)勢感知：對我是新名詞、我們百度下得到，態(tài)勢感知的概念最早在軍事領(lǐng)域被提出，覆蓋感知、理解和預(yù)測三個層次，按根據(jù)這個信息，需要補充這方面的知識
自動對抗體系：這個怎么理解？一個是策略、模型自動化，還有一個理解就是強化學(xué)習(xí)
黑產(chǎn)團伙挖掘：這個大家最熟悉，但是這里得深刻，熟悉怎么尋找系統(tǒng)中的關(guān)系類型（我寫過14大類關(guān)系），以及熟練的構(gòu)建有效的關(guān)系。
通過對崗位拆解以及背后的意圖分析，并且做一個重點排序，在和自己的儲備進行對比，沒有的需要補上，重點的需要加深。基本上拆解幾個公司的崗位，就能知道學(xué)習(xí)的重點了。其實大部分算法都學(xué)過或者用過，需要系統(tǒng)化的整理，查缺補漏就行了。
第二個崗位其實普通人就不用看了，因為基本上都是博士起，并且需要有頂會文章，都是前沿的研究，僅僅靠日常的工作積累，基本沒辦法達到這個要求。我也不專業(yè)，就不做詳細的拆解了。
···? END? ···