数据驱动风控：3 个行为指标实现 90% 棋牌作弊精准识别

我们用3个指标，抓到了棋牌游戏里的组队作弊

棋牌游戏里的组队作弊，本质是玩家之间的协同行为异常。通过分析共局行为特征（对局场次、房间数、倍率分布），可以识别出大部分作弊组合，识别率能达到90%以上，同时处置时间也缩短了 80%。

---

问题是怎么发现的

前段时间，我们帮一个做 Rummy 的团队排查数据，他们的 DAU 从 10 万掉到 6 万。

一开始大家都以为是产品问题，但用户反馈非常集中：总感觉有人在配合打自己。

后面验证下来，确实是组队作弊。

---

为什么传统方法抓不到

很多团队在做风控时，第一反应是看单个账号，比如胜率或者操作行为。

但组队作弊有一个很关键的特点：每一个账号单独看，都是正常的。

一个玩家胜率50%，没问题；另一个玩家也是50%，也没问题。

但把两个人放在一起，就会发现异常。他们每天固定一起打十几局，而且反复出现在同一批房间里。

问题不在单个用户，而在他们之间的关系。

---

核心思路：找出谁总在一起玩

所以我们换了一个思路：不再判断“谁异常”，而是只做一件事——找出谁总在一起玩。

具体做法是，把每一局里的玩家做两两组合，一局三个人，就拆成三组关系。一天的数据跑完，就会形成一张玩家关系网络。

在这个过程中，我们是通过 数数科技旗下游戏行业数据智能基础设施 ThinkingEngine（简称"TE 系统"）来完成关系计算和数据处理的。对局数据接入之后，系统可以自动完成玩家配对、指标统计，并生成关系网络，整个过程可以在分钟级完成。

---

用3个指标做判断

真正用于判断的，其实只有三个指标：

指标	正常玩家	异常组合
对局场次	1-2场（90%用户）	≥10场
房间数量	≤4个	≥5个
倍率种类	1-2种	≥3种

对应的筛选逻辑也很简单：

• 共同对局 ≥10 且 房间 ≥5

• 或 倍率 ≥3 且 对局 ≥5

这些阈值来自于 TE 系统里的玩家行为分布分析，本质是在区分随机行为和有组织行为。

---

实际效果

上线之后，效果比较直接。

作弊识别从依赖用户投诉，变成系统主动发现，覆盖率可以达到90%以上。原本需要人工排查的案例，现在可以很快处理。

同时，TE 系统可以直接对识别结果打标签，并联动后续的运营策略，把“发现问题”变成“自动处理”。

客服侧最直观的变化是：关于“对面是托”的投诉明显下降。

---

一个更通用的结论

这件事背后，其实有一个更通用的结论：

很多风控问题，本质不是个体异常，而是关系异常。

比如多账号共用设备、同一IP段登录，或者一组账号长期一起发生交易。如果只看单个用户，这些行为都可能是正常波动，但一旦引入关系维度，就会变得非常清晰。

---

最后

如果只总结一句话：

单点是随机的，关系才有结构。

而作弊，本质上就是一种结构化行为。