掃黃、大數據、國安 滴滴能做的事驚掉你的下巴

網信部一紙檄文，將滴滴推上了風口浪尖。

我有個朋友從事銀行數據科學工作，對大數據隱私比較敏感。

銀行輔助進行黃賭毒排查工作。

以黃為例，聊聊大數據如何用最基本的信息和最簡單的手段，找出LSP和不法分子。

每個銀行都有一張最基本的用戶收支明細表，記錄每個用戶的每一筆收支記錄。

如【時間】2021年7月5日8點15分，【持卡人】Jack在【商家】永和豆漿早餐店花【金額】5.5元買了一杯豆漿、一根油條和一個荷包蛋。

這份數據可以用來解讀非常多的信息。

如何掃黃？

第一步，找出那些晚上11點至凌晨3點仍有活躍交易的賬戶；

第二步，如果這些金額也符合金額特徵如”398元”、”498元”等，那就把這筆交易標記為可能涉黃；

這裡需要特別指出的是為什麼不用商家名稱，因為有些搞黃色的按摩會所非常狡猾，很少有使用直接商戶名的（如”紅浪漫按摩養生會所”的收款名稱可能搖身一變成了”永久便利店”）;

第三步，假設一個商家1個月有1萬筆交易，且70%的交易都符合上述特徵。那麼大概率這個商家就是涉黃的。

銀行會把這批名單輸送到公安，至於公安下一步怎麼做那就不知道了。

一個特別搞笑的事情是4月份月度排查的時候，名單里居然出現了一家”榆林市解放路空氣淨化器”的商家，我們覺得不可思議，是不是數據搞錯了。

再次核實後確認，這個商家4月份共有989筆交易，有304筆交易是398元，483筆交易是698元，而且交易發生的時間都是在凌晨。 

後來同事們笑稱，這哪裡是空氣淨化器，明明是前列腺淨化器。

回到滴滴，滴滴掌握的是用戶出行數據。

何為用戶出行數據？從數據庫的角度，至少可以拆解成三張表。

1.用戶出行記錄表，Linda早上8:00從科苑路打車到科技園； 

2.底層LBS表。精確到經緯度的位置映射，如北京動物園，116.344765，39.941026;

3.地理名詞標籤表。如科技園西南門-高檔寫字樓；紅浪漫KTV-休閒娛樂；湊湊火鍋（大悅城店）-餐飲火鍋。

這三張表可以用來幹什麼壞事兒？我腦補如下：

1.用戶隱私角度。 

還是搞黃色，拿搞黃色的為例，近半年內去過5次以上休閒娛樂場所的標記為可能搞黃色；

當然了，滴滴不拿搞黃色盈利，推送貸款才是主要用途。

這裡從風控角度可以衍生非常多的標籤；如經常往返機場，說明你是有一定消費能力的差旅人士；半年前就註冊了但是一直沒用，最近開始使用打車軟件並且去了好幾趟趟家居城。

那麼你極有可能被推送貸款。

因為你還得起且有貸款需求。

2.國家安全角度。

2.1暗殺大人物。

北京大院住了很多大人物，當然這些住所很隱蔽，就算你是FBI，也不能挨個排查。因為工作量大。

如果有了滴滴大數據，就可以用排除法了。

首先這些大人物大院子不可能有人經常坐滴滴，人員活動受到限制。搞清楚打車熱力圖就可以極大減少排除工作量。然後展開暗殺行動。

2.2策反小人物。 

從差旅人士裡面找策反對象。

比如祿口機場-南京核工業集團、中川國際機場-蘭州核工業基地。

有人會問了，這麼級別的人物還需要打車？派奔馳接送不就完了麼？

有一類群體是管理諮詢顧問。他們經常出入各個國企，自己打車…十四五戰略規劃項目接觸到保密材料綽綽有餘。

大數據時代，每個人都在裸奔。

怎麼把褲子穿好？幾個tips送給大家

1.笛卡爾集支付。3張銀行卡、3種支付方式（微信 支付寶 銀聯），比如今天用微信建行卡吃飯，明天用支付寶招行卡網購。

當然，現金最安全。 

2.不使用真實地址。如想打車去紅浪漫ktv，那最好是定位終點為附近100米的雞公煲或者肯德基。

3.不作惡。人在做，天在看，數在記。

（全文轉自微信公眾號慕雲朝偉）