3. 数据基础与合规

贷后逾期概率预测的上限，往往不由模型算法决定，而由数据基础与合规边界决定。模型可以迭代，特征可以筛选，但如果数据来源不清、口径混乱、缺失处理随意，或触碰隐私合规红线，后续所有预警阈值优化都会失去可信度。本节围绕四个关键环节展开：数据来源梳理、数据清洗、缺失值处理、隐私合规与数据安全。

一、核心原理：贷后数据是“时间切片+行为轨迹”的组合

贷后数据与贷前申请数据最大的区别在于：贷前数据描述“客户是谁”，贷后数据描述“客户正在变成谁”。因此，贷后数据天然具有时间序列属性，必须按“观察点—表现期—观察期”三层结构组织。

• 观察点：当前做预测的时间节点，例如2024-06-30。
• 观察期：观察点之前用于构造特征的时间窗口，如近3个月、近6个月。
• 表现期：观察点之后用于定义标签的时间窗口，如未来30天是否逾期。

数据来源通常分为五类：

二、方法流程：从原始表到建模宽表的清洗链路

贷后数据清洗不是一次性动作，而是一条可复现的流水线。建议按以下步骤落地：

1. 数据接入与快照：按日分区落库，保留原始快照，避免“覆盖式更新”导致历史不可追溯。
2. 主键与实体对齐：统一客户号、合同号、账户号，处理一人多户、一户多合同。
3. 口径标准化：逾期天数统一按“自然日”或“账单日”计算，避免混用。
4. 异常值识别：如还款金额为负、逾期天数超过合同期限、时间戳倒挂。
5. 去重与合并：同一客户同一观察点只保留一条记录，防止标签泄漏。
6. 特征衍生：生成滚动窗口统计，如近3期平均逾期天数、近6月最大连续逾期。

以下是一个典型的清洗配置示例，用于约束时间窗口与口径：

observation_date: 2024-06-30
observation_window:
  short: 90d
  long: 180d
performance_window: 30d
label:
  overdue_days_threshold: 1
  definition: "表现期内最大逾期天数 >= 1"
dedup:
  key: [customer_id, observation_date]
  keep: latest
timezone: Asia/Shanghai

清洗完成后，应输出一份数据质量日志，至少包含：记录数、去重数、缺失率、异常值数、标签分布。日志本身也是合规审计的一部分。

三、缺失值处理：先判断“为什么缺”，再决定“怎么补”

贷后缺失值通常有三类成因：

• 业务未发生：客户从未支用，额度使用字段为空。这类缺失本身有信息量，应保留为“未发生”类别。
• 系统未采集：外部征信未授权或接口失败。这类缺失与客户资质相关，不能简单均值填充。
• 随机丢失：如渠道字段偶发为空。可考虑中位数、众数或模型插补。

常见处理策略对比：

需要特别警惕的是“用未来信息补过去”。例如用客户后续还款表现回填当前缺失，会直接造成标签泄漏，使离线指标虚高、上线后失效。

四、隐私合规与数据安全要点

贷后数据涉及大量个人金融信息，合规不是附加项，而是前置条件。落地时至少关注以下要点：

• 授权与目的限制：外部征信、运营商、行为埋点等数据必须有明确授权，且仅用于约定用途。
• 最小必要：模型只使用与逾期预测直接相关的字段，避免过度采集。
• 去标识化与假名化：建模环境中用客户编号替代身份证、手机号等直接标识。
• 访问控制：按角色分配数据权限，敏感字段脱敏展示，操作留痕。
• 存储与传输：加密存储、加密传输，明确保留期限与销毁机制。
• 审计与追溯：保留数据血缘、特征口径、模型版本，支持监管问询。

五、案例复盘：一次因缺失处理不当导致的预警失效

某消费金融团队在构建逾期预警模型时，将“近6月外部查询次数”缺失值统一填充为0。离线AUC达到0.82，但上线后预警命中率明显下降。复盘发现：缺失该字段的客户，多为未授权征信查询的新客，其真实风险高于均值。填充为0相当于把高风险客户“洗白”为低风险，导致阈值优化方向错误。

修正方案是：保留缺失指示变量，并对该字段单独分箱，将“未授权”作为一个独立类别进入模型。调整后离线指标略降，但上线后预警稳定性显著提升。这个案例说明：缺失值处理不是技术细节，而是业务语义与合规边界的体现。