4. 特征工程概述
在替代数据信用评分项目中，原始数据往往来自运营商话单、电商交易、设备行为、公共缴费、社交关系等多源异构渠道。这些数据本身并不能直接回答“这个人会不会违约”，它们只是原材料。特征工程的核心任务，就是把原材料加工成模型可以理解、可以比较、可以验证的信用风险信号。可以说，在替代数据场景下，特征工程的质量往往比模型选择更能决定最终评分卡的上限。
一、特征工程在信用评分中的位置
信用评分建模通常遵循“业务理解—数据获取—特征工程—模型训练—验证部署—监控迭代”的链路。特征工程位于数据与模型之间，是承上启下的关键环节。它向上承接业务目标：我们要预测的是违约概率、账龄表现还是额度使用率；向下决定模型输入：逻辑回归看到的是分箱后的WOE值，树模型看到的是原始数值与类别编码，神经网络看到的是归一化后的向量。
在替代数据信用评分中，特征工程的位置更加特殊。传统征信数据字段少、含义明确、覆盖稳定；替代数据字段多、噪声大、覆盖稀疏、语义模糊。因此，特征工程不仅是“加工”，更是“翻译”和“提纯”。它要把“过去90天夜间通话占比”“近30天收货地址变更次数”“设备更换频率”这类行为记录，翻译成“稳定性”“履约意愿”“欺诈风险”等信用维度。
核心判断：在替代数据评分中，特征工程不是预处理步骤，而是风险定义步骤。一个特征是否有效，取决于它是否稳定地关联到未来违约事件，而不是它看起来是否“合理”。
二、特征工程的标准流程
特征工程不是一次性动作，而是一个可循环、可复现的流程。建议按以下五个阶段推进：
- 数据探索：理解字段分布、缺失率、覆盖率、时间跨度、异常值、类别不平衡情况。重点回答：哪些字段可用？哪些字段在好客户和坏客户之间有明显差异？
- 数据清洗：处理缺失值、异常值、重复值、时间对齐问题。替代数据中常见“同一用户多设备”“同一设备多用户”“时间戳时区不一致”等问题，需要在清洗阶段统一口径。
- 数据变换：对数值型特征做分箱、WOE编码、标准化、对数变换；对类别型特征做独热编码、目标编码、频次编码；对时间型特征做滑窗聚合、趋势计算、间隔统计。
- 特征构造：基于业务逻辑和统计规律生成新特征，如“近7天通话次数/近30天通话次数”的活跃度变化率，“夜间通话时长占比”的作息稳定性，“缴费金额波动系数”的履约稳定性。
- 特征选择：通过IV值、相关性分析、VIF、逐步回归、LASSO、树模型重要性等方法，筛选出预测力强、稳定性好、解释性可接受的特征子集。
这五个阶段并非严格线性。实际项目中，特征选择后往往需要回到构造阶段补充新特征，数据探索也可能在清洗后再次进行。关键是要保留完整的特征版本记录和变换日志，确保评分卡可追溯、可复现。
三、替代数据特征工程的常见挑战
替代数据信用评分面临四类典型挑战，需要在流程设计中提前应对：
| 挑战类型 | 具体表现 | 应对策略 |
|---|---|---|
| 覆盖稀疏 | 部分用户只有运营商数据，部分只有电商数据，字段缺失率高 | 分群建模、缺失值单独分箱、构造“是否有某类数据”的指示特征 |
| 时间不稳定 | 行为数据随季节、促销、政策变化波动大 | 使用滑窗统计、趋势特征、同比环比，避免使用单点快照 |
| 语义模糊 | “通话次数多”既可能是社交活跃，也可能是催收压力 | 结合多源特征交叉验证，引入业务专家规则进行方向校准 |
| 信息泄露 | 特征中混入未来信息，如用申请后的缴费记录预测申请时违约 | 严格按时间切分训练集与验证集，所有特征只使用申请时点之前的数据 |
高风险误区：把“缺失”直接填充为0。在替代数据中，缺失本身可能携带信息。例如，没有电商记录的用户可能是老年人或低收入群体，其风险特征与“有记录但消费为0”的用户完全不同。建议将缺失作为一种独立状态进行编码。
四、特征工程的核心原则与复盘案例
结合多个替代数据评分项目，可以提炼出以下五条原则：
- 业务可解释：每个特征都应能回答“它代表了什么风险维度”。无法解释的特征即使IV值高，也可能在监控阶段失控。
- 时间一致性：训练集和线上推理必须使用相同的时间窗口和计算逻辑，避免“训练用30天，上线用90天”的口径错位。
- 稳定性优先：特征在不同时间切片上的分布应相对稳定。PSI超过0.1需要预警，超过0.25建议重新分箱或剔除。
- 避免过拟合：不要为了提升训练集AUC而构造大量高度稀疏的交叉特征。替代数据本身噪声大，复杂特征更容易学到噪声。
- 可复现可监控：每个特征的计算逻辑应固化为代码或配置，并配套监控指标，如覆盖率、均值、缺失率、PSI。
以下是一个特征变换的配置示例，展示如何将原始通话记录聚合为信用风险特征：
feature_config = {
"call_cnt_7d": {
"source": "call_detail",
"window": "7d",
"agg": "count",
"filter": "call_duration > 0"
},
"night_call_ratio_30d": {
"source": "call_detail",
"window": "30d",
"agg": "sum(night_duration) / sum(total_duration)",
"filter": "total_duration > 0"
},
"call_active_trend": {
"source": "call_detail",
"window": "30d",
"agg": "call_cnt_7d / (call_cnt_30d / 4 + 1)",
"description": "近7天通话活跃度相对月均水平的比值"
}
}复盘一个真实场景：某消费金融公司在替代数据评分中引入“设备更换频率”特征，初始IV值为0.32，看似强特征。但上线后发现该特征在促销季波动剧烈，PSI达到0.41，导致评分分布整体偏移。复盘发现，该特征没有区分“主动换机”和“被动换机”，也没有控制时间窗口。后续改为“近90天设备更换次数”并加入“是否同一品牌”的交叉条件，PSI降至0.08，IV仍保持在0.21，模型稳定性显著提升。
实践建议：在特征工程阶段就建立“特征卡片”，记录每个特征的定义、计算逻辑、时间窗口、业务含义、IV值、PSI监控阈值和负责人。这张卡片是后续模型验证、上线监控和监管沟通的基础材料。
总之，替代数据信用评分的特征工程，本质上是在噪声中寻找稳定信号的过程。流程是骨架，原则是边界，业务理解是方向。只有把数据探索、清洗、变换、构造、选择五个环节做扎实，才能让后续的模型训练和有效性验证建立在可靠的基础之上。