11 KiB
自我介绍
老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息。
此外，我们设计并落地了一套客退仓的风控机制和运营策略。例如，在出库环节，我们有一个销毁出库的业务，这个业务分为按重量计费和按箱数计费两种计费方式，我们分别对方式建立了风控机制，对于按重量计费的，开发重量异常的识别方法，并设计了处罚机制。对于按箱数计费的，我们引入AI图像算法，对服务商上传的出库凭证进行粗筛，识别其中装载率不达要求的箱子，在这个基础上，我结合运营的人工复合结果，与算法同事一起对识别算法进行优化，显著提升监控准确率与召回率，形成“监控→识别→干预→迭代”闭环。
同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
最后，我们会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标，对共性的问题建立新的识别和处罚体系，不断提高风控的准确性；
1. 未拆包点数：
1. 发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
2. 后续处理：
1. 与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
2. 确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
3. 探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
1. 标签打印次数：与sku数量或种类相等；
2. 上报黑码的退货入库单数量：极低；
3. 最后一次打印标签与包裹入库完成时间差90分位数：较低；
4. 商品类别：不包括服装类sku；
4. 确定处罚逻辑：
1. 先按筛选逻辑确定高风险质检人，人工复合后，对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
2. 按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
3. 后续观察调拨回国的丢件率是否下降；
2. 薅羊毛:
1. 发现：问题子仓实收sku占比持续异常偏低；
2. 过程：
1. 日常监控发现问题子仓出现数据异常，但不符合欺诈收货的特征；
2. 下钻：货物类型、质检人、物流商、用户uid进行的了下钻，并无明显聚集；
3. 进一步分析发现，问题子仓实收为0的包裹比例大涨，远超过大盘均值；同时，这些实收为0的包裹也有很大比例进行了申诉；
4. 与商务和运营沟通，并与子仓确认情况，子仓收到大量包装类似的包裹，并且包裹中均只有破旧衣服，没有退货的物品，判断子仓遭到灰产组织的薅羊毛行动，但是灰产组织应该还在试探我们的退款规则，想从中找到漏洞；
5. 同时，发现子仓确实存在点数拆包不规范的问题，如果用户申诉且点数时存在点数视频无效的情况就会全额退款；
3. 后续：
1. 持续加强对问题子仓及其周边地区子仓的监控；
2. 对服务商宣贯拆包规范，要求其加以改进；
3. 客服侧上线对该地区异常账号的风控标示，对高风险用户，不以「点数视频无效」进行退款；
4. 效果：
1. 客服侧风险提示上线后，因「视频无效」导致全额退款的比例明显下降，在运行一段时间后，子仓的实收sku占比得到改善，与商务确认子仓收到的异常包裹数量大幅下降，初步判断灰产组织意识到我们的管控，暂停了行动；
3. 欺诈收货
1. 发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
2. 复盘结果：
1. 复盘的思路：
1. 梳理整个退货流程各个环节，寻找可能存在的漏洞；
2. 寻找可以检测漏洞的数据指标；
3. 从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
2. 发现：
1. 时间类：
1. 从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
2. 从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
2. 操作凭证类：
1. 点数视频无效率很高；
3. 其他：
1. 客退单无逆向物流轨迹的占比较高；
4. 物流商提前上传签收
1. 目的：确认物流商违规，进行处罚；
2. 过程：
1. 发现：有多个客退仓子仓质检延迟的罚单和罚金异常激增；
2. 异动分析：
1. 发现质检延迟罚单在部分物流商上出现明显聚集，并且这些问题子仓其他物流商的退货单质检延迟没有出现明显上升；
2. 对物流商逆向轨迹进行分析，发现了聚集物流商存在退货单激增且，大量退货单的轨迹存在异常(如： 最后一次转运轨迹操作时间和签收时间之间间隔极短)，且铜时间段内，其他物流商未出现轨迹异常的情况；
3. 与商务、运营等讨论确认：
1. 当时正处于黑五之后，退货量激增，部分仓库出现爆单问题；
2. 问题物流商承认由于爆单，部分操作人员在没有送达仓库前提前点了签收，导致该问题出现；
4. 后续处理：
1. 筛选问题物流商的问题单，提交商务团队，由商务团队同事与物流商商议一次性的处罚；
2. 推动物流商侧建立对提前签收问题的处罚；
3. 与商务、运营确定范围，推动主动为仓库服务商进行免罚，防止舆论风险；
4. 建立对物流商轨迹异常的监控(只监控与仓库考核相关的轨迹节点)；
5. 运营策略
1. 销毁出库重量异常:
1. 策略制定：根据历史称重数据建立参考重量，并使用物流商上报重量作为兜底和校验，防止仓库故意将所有的称重都往高报；
2. 对不满足称重次数的sku进行监控；
2. 销毁出库装载率异常，这里要强调：
1. 引入图像识别算法，利用算法对出库凭证数据进行粗筛，再由运营进行人工复合；
2. 根据运营人工复合结果，整理反馈标签，推动图像算法优化；
6. 日常报表体系
1. 支持业务快速查询数据
2. 处罚量和处罚率
3. 处罚进度跟踪
7. 对途虎养车的了解
途虎养车是国内领先的线上线下一体化汽车服务平台。其最核心的壁垒不仅是线上的流量，更是线下几千家工场店的标准化履约能力。作为门店运营，我理解的途虎模式是‘强管控、强赋能’。我们不仅是把配件卖给加盟商，还提供数字化的SOP（标准作业程序）、技师培训、供应链支持。截至2025年底，途虎养车工场店数量已突破8000家，覆盖全国绝大多数地级市，注册用户超1.6亿，稳居中国汽车服务市场第一。同时，开业6个月以上的工场店盈利比例接近90%。并且已经在香港上市。
8. 途虎养车与京东养车、天猫养车的区别
三家虽同为头部玩家，但底层商业逻辑与核心优势存在显著差异。途虎养车走的是垂直深耕路线，核心壁垒在于强大的线下履约能力与供应链体系。其自建的前置仓与统仓统配模式，专为门店施工效率服务，且开业6个月以上的工场店盈利比例接近90%，单店盈利模型非常健康。京东养车则依托京东集团的物流与供应链优势，主打“正品+极速送达”，擅长标准品的电商化运营，但在非标服务的线下管控深度上仍有提升空间。天猫养车则充分借力阿里生态的流量与数据资源，擅长通过大促活动与线上营销快速起量，但线下门店的服务标准化程度相对途虎略逊一筹。总结来说，途虎的核心竞争力在于“懂线下服务”与“扎实的门店盈利赋能”。
9. 为什么想来途虎
首先，汽车后市场正处于从‘散乱差’向‘连锁标准化’转型的关键期，而途虎是这个赛道里数字化程度最高的平台。我非常看重途虎完善的底层数据基建，这意味着门店运营不再是靠经验拍脑袋，而是能真正通过数据模型来驱动业务。通过挖掘门店的交易、转化、人效等数据，精准诊断门店的痛点，并制定针对性的运营策略（比如提升高毛利产品渗透率、优化技师排班模型等），而这和我的工作经验和未来的职业规划是非常符合的。
10. 反问：
11.我们和门店是否有直接的交流，问这个是因为在多多这边，其他都很好，只是感觉和仓库等相关方的直接沟通比较少