📚 课程目录第1章课程导入

1. 课程导入

在信用评分建模项目中，很多团队把大量精力投入到算法选择、特征工程和调参上，却忽略了一个更前置、更致命的问题：谁是“坏客户”？从哪一天开始算？观察多久？表现多久？如果这个定义错了，模型再先进也只是在精确地拟合一个错误的目标。本章作为全课程的导入，将帮助你建立对好坏客户定义与观察期、表现期设计的整体认知框架。

一、为什么说“定义”比“算法”更重要

信用评分的本质，是把历史数据中“违约行为”的规律提炼成对未来风险的预测能力。这里存在一个隐含的因果链：业务目标 → 风险定义 → 样本标签 → 模型目标 → 评分应用。好坏客户定义和观察期、表现期设计，正是这条链上最上游的两个环节。

它们决定了三件事：第一，模型究竟在预测什么；第二，训练样本中正负例的比例与质量；第三，模型上线后的实际区分能力和稳定性。一个常见的真实场景是：某消费金融公司把“逾期1天”定义为坏客户，结果模型把大量只是忘记还款的优质客户也判为高风险，导致通过率骤降、业务萎缩。问题不在模型，而在定义。

核心结论：好坏客户定义是信用评分的“靶心”，观察期与表现期是“时间标尺”。靶心偏了，标尺错了，后续所有建模工作都会系统性偏离业务目标。

二、核心概念：观察期、表现期与好坏定义

在信用风险建模中，通常把客户的时间轴切分为三个窗口：

观察期（Observation Period）：用于提取客户特征的时间窗口，例如申请前6个月的还款记录、消费行为、查询次数等。
表现期（Performance Period）：用于观察客户是否发生坏行为的时间窗口，例如放款后12个月内是否出现逾期90天以上。
好坏定义（Good/Bad Definition）：在表现期内，根据逾期天数、逾期次数、金额等指标，把客户划分为好、坏、灰三类。

三者关系可以用一个简单的时间轴理解：观察期看“过去”，表现期看“未来”，好坏定义则是“未来”中判定结果的规则。下面这张图展示了标准的时间窗口切分逻辑。

三、方法流程：从业务目标到样本标签

一个规范的好坏客户定义与窗口设计流程，通常包含以下步骤：

明确业务目标：是控制坏账率、提升通过率，还是优化额度策略？不同目标对应不同的坏定义。
确定表现期长度：根据产品期限、风险暴露周期和业务容忍度，选择6、12、18或24个月。
确定观察期长度：保证特征有足够信息量，同时避免过长导致样本陈旧。
定义坏客户规则：常用规则包括逾期天数（DPD）、逾期次数、金额比例等。
划分灰客户：对介于好坏之间的客户单独处理，避免标签噪声。
验证样本分布：检查坏样本比例、时间稳定性、跨期一致性。

下面是一个典型的坏客户定义参数配置示例，供你在实际项目中参考：

bad_definition:
  dpd_threshold: 90          # 逾期90天以上定义为坏
  max_dpd_in_period: 90      # 表现期内最大逾期天数
  min_overdue_times: 1       # 至少发生一次
  gray_zone:
    dpd_min: 30
    dpd_max: 89
  observation_window: 6      # 观察期6个月
  performance_window: 12     # 表现期12个月
  sample_cutoff: "2024-06-30"

四、案例与场景：定义不同，结果天差地别

假设某银行信用卡中心要建立申请评分卡。团队A把坏客户定义为“表现期内逾期60天以上”，团队B定义为“逾期90天以上”。其他条件完全相同。结果团队A的坏样本比例约为8%，团队B约为4%。团队A的模型更敏感，但误杀率更高；团队B的模型更稳健，但对早期风险不敏感。

再考虑表现期长度。如果表现期只有6个月，很多长期风险尚未暴露，坏样本被低估；如果表现期长达36个月，虽然风险暴露充分，但样本陈旧，可能无法反映当前客群变化。因此，表现期设计本质上是在风险充分暴露与样本时效性之间做权衡。

设计维度	常见选择	优点	风险
坏定义DPD	30 / 60 / 90天	30天敏感，90天稳健	30天噪声大，90天漏掉早期风险
观察期	3 / 6 / 12个月	6个月平衡信息量与时效	过短特征不足，过长样本陈旧
表现期	6 / 12 / 24个月	12个月覆盖多数产品周期	过短坏样本不足，过长样本老化
灰客户	30-89天单独处理	降低标签噪声	处理不当导致样本量下降

五、常见误区与复盘

误区一：直接套用同行“90天”定义，不考虑自身产品期限和客群特征。
误区二：观察期和表现期重叠，导致特征中包含未来信息，造成数据穿越。
误区三：忽略灰客户，把30-89天客户强行归为好或坏，引入标签噪声。
误区四：表现期过短，坏样本比例过低，模型无法学到有效风险模式。

复盘时，建议重点检查三件事：第一，坏样本比例是否在合理区间（通常2%-10%）；第二，观察期与表现期是否严格分离；第三，定义规则是否与业务实际催收、核销口径一致。只有定义与业务口径对齐，模型结果才能被业务方信任和采纳。

学习提示：本课程后续章节将围绕好坏定义、观察期、表现期、样本设计、标签清洗、跨期验证等主题逐步展开。本章的目标不是让你立刻做出完美定义，而是让你建立“定义先行”的建模意识，并理解时间窗口设计对模型成败的决定性影响。

当你完成本章学习后，应当能够用自己的话解释：为什么好坏客户定义是信用评分的起点；观察期与表现期分别解决什么问题；以及一个合理的定义方案需要平衡哪些业务与技术因素。这些认知将贯穿后续所有章节，成为你构建高质量信用评分模型的底层基础。