4. 数据准备
授信策略仿真与回放能否可信，首先取决于数据准备是否严谨。很多团队把精力放在模型与规则上，却忽略了数据口径、时间边界和标签定义，最终导致回放结果“看起来很美”，上线后却严重偏离。本章围绕历史数据来源、数据清洗、缺失值处理、时间切片、样本选择与标签定义六个环节，给出可落地的工程方法。
一、核心原理：数据准备决定回放的可信边界
授信策略回放的本质，是用历史时点的客户信息，重演当时的审批决策，并观察后续表现。因此数据准备必须满足三个原则：时点一致性、口径一致性、可追溯性。时点一致性要求任何特征只能使用决策时点之前可获得的数据；口径一致性要求历史数据与当前生产数据的字段含义、计算逻辑一致；可追溯性要求每个样本都能回溯到原始申请、原始征信报告和原始决策记录。
二、历史数据来源与数据清洗
历史数据通常来自四类系统：申请与审批系统、核心放款与还款系统、征信与三方数据平台、人工调查与影像资料。建议按“申请主键+客户主键+时间戳”建立宽表，并保留原始快照。
| 数据域 | 典型字段 | 常见问题 | 清洗动作 |
|---|---|---|---|
| 申请信息 | 申请时间、金额、期限、渠道 | 重复申请、时间格式混乱 | 去重、统一时区与格式 |
| 客户信息 | 年龄、职业、收入、地区 | 单位不统一、枚举值漂移 | 映射码表、异常值截断 |
| 征信数据 | 查询次数、逾期记录、负债 | 报告版本差异、字段缺失 | 版本对齐、缺失标记 |
| 表现数据 | 放款、还款、逾期、结清 | 状态更新延迟、口径不一 | 按观察期统一口径 |
清洗时建议保留“清洗前—清洗后—规则编号”三列日志，便于审计。例如：
rule_id: R012
field: monthly_income
action: clip_upper
threshold: 500000
reason: 超过阈值视为录入错误
affected_rows: 128
三、缺失值处理与时间切片
缺失值不能一律填充。应先区分“业务上不存在”“未采集”“采集失败”“真实为空”四类。对于征信查询次数缺失，若因未授权导致，应单独标记为“无征信”，而不是填0。常用策略包括：缺失指示变量、中位数/众数填充、模型预测填充、直接剔除。建议在回放中保留缺失指示变量，因为缺失本身可能携带风险信息。
时间切片是回放的关键。常见切片方式有：按自然月、按观察窗口、按决策时点滚动。例如，以每月最后一天为决策时点，使用此前12个月表现定义标签，使用此前6个月行为构造特征。切片时必须避免“未来信息泄露”。
决策时点 T：2024-06-30
特征窗口：2023-12-31 ~ 2024-06-30
表现窗口：2024-07-01 ~ 2024-12-31
标签定义：表现窗口内是否发生M1+逾期
四、样本选择与标签定义
样本选择要明确总体：是全部申请、通过申请、放款客户，还是特定渠道客户。回放策略时，通常使用“通过且放款”样本评估风险，使用“全部申请”样本评估通过率与收益。若要做拒绝推断，还需对拒绝样本进行加权或推断。
标签定义必须与业务目标一致。常见标签包括：FPD（首次还款逾期）、M1+、M3+、坏账、提前结清、复贷。定义时要明确观察期、表现期、逾期天数口径和结清状态。例如：
- FPD30：首期还款日逾期超过30天。
- M1+：任一账期逾期超过30天。
- 坏账：逾期超过90天或核销。
- 观察期：放款后前3个月；表现期：放款后第4至12个月。
五、案例与复盘
某消费金融团队回放一套新审批规则，发现通过率提升8%，但坏账率下降。复盘发现：标签使用了“当前是否结清”，而历史样本中大量客户在决策时点后已结清，导致好坏定义被未来信息污染。修正后，按决策时点后12个月表现重新定义标签，通过率提升仅2%，坏账率略有上升。该案例说明：数据准备阶段的时间边界比模型本身更关键。
建议在数据准备完成后，输出一份《数据准备说明书》，包含数据来源、清洗规则、缺失处理、时间切片、样本口径、标签定义和已知限制。该说明书应作为回放报告的附件，确保策略、风险、审计三方对数据口径达成一致。