2. 风控数据基础

在风控体系中，数据不是“辅助材料”，而是决策的原材料。模型、规则、名单、策略都建立在数据之上。如果数据本身分类混乱、来源不清、生命周期失控，那么再精妙的模型也只是在噪声上做拟合。本节聚焦风控数据的基础认知：它有哪些类型、从哪里来、如何流转，以及完整性、准确性、一致性这三个质量属性究竟如何定义、如何相互影响。

一、核心原理：风控数据的分类与来源

风控数据可以按“主体—行为—环境”三层来理解。主体数据描述“谁”，包括个人/企业的身份、资质、历史信用；行为数据描述“做了什么”，包括申请、交易、登录、还款、逾期等事件；环境数据描述“在什么条件下发生”，包括设备、IP、位置、时间、渠道等上下文。三者组合，才能支撑反欺诈、信用评估、实时拦截等场景。

按来源划分，风控数据通常包括：

• 内部业务数据：信贷系统、支付系统、订单系统、客服工单等产生的原生数据，权威性高、可控性强。
• 外部征信与三方数据：征信报告、多头借贷、黑名单、运营商、工商司法等，补充内部盲区，但需关注合规与稳定性。
• 用户授权数据：用户主动提交或授权采集的信息，如通讯录、社保、账单，需严格遵循授权范围。
• 衍生与计算数据：由原始数据加工出的特征、评分、标签，如“近30天申请次数”“设备关联账号数”。

分类和来源决定了数据的权责边界。内部数据可追溯、可修复；外部数据依赖供应商，需建立准入、监控和退出机制；衍生数据则必须能回溯到原始字段和计算逻辑，否则一旦口径变更，历史结论将无法解释。

二、方法流程：数据生命周期与质量属性的关系

风控数据生命周期一般包括：采集、传输、存储、加工、使用、归档与销毁。每个阶段都对应不同的质量风险。采集阶段容易出现字段缺失、授权越界；传输阶段可能出现丢包、乱序、重复；存储阶段可能出现分区错误、覆盖写入；加工阶段可能出现口径不一致、逻辑错误；使用阶段可能出现超范围调用；归档销毁阶段则涉及合规留存与隐私清除。

完整性、准确性、一致性是三个最基础也最容易混淆的质量属性：

• 完整性：该有的数据有没有。包括记录完整（无缺失行）、字段完整（关键字段非空）、时间完整（无断档）。
• 准确性：数据是否真实、正确地反映客观事实。包括值域正确、逻辑正确、与权威源一致。
• 一致性：同一事实在不同系统、不同时间、不同口径下是否保持一致。包括跨系统一致、跨表一致、历史口径一致。

下面用一个简化的风控数据质量检查清单来说明三者在不同生命周期阶段的关注点：

三、案例/场景：一次“一致性”引发的风控误判

某消费金融公司在一次策略升级中发现：同一批用户在离线模型中的逾期预测分数与实时决策引擎中的分数差异明显。排查后发现，离线特征“近90天申请次数”统计的是“申请提交时间”，而实时特征统计的是“申请审批完成时间”。两个口径在正常时期差异不大，但在促销活动期间，大量申请积压，导致实时特征值明显偏低，模型误判为低风险，放款后逾期率上升。

这个案例中，数据完整性没有问题，准确性在各自口径下也成立，但一致性被破坏。修复方式不是简单改一个字段，而是建立统一的指标口径字典，并在离线与实时任务中强制引用同一份定义。同时增加一致性校验任务，对同一用户同一时间点的关键特征进行比对，偏差超过阈值即告警。

-- 一致性校验示例：离线与实时特征比对
SELECT
  user_id,
  offline_feature_value,
  realtime_feature_value,
  ABS(offline_feature_value - realtime_feature_value) AS diff
FROM feature_compare_table
WHERE dt = '2025-03-01'
  AND ABS(offline_feature_value - realtime_feature_value) > 0.05;

四、误区/复盘：常见认知偏差

在实际治理中，团队常陷入以下误区：

1. 把完整性等同于准确性：字段都填了，不代表填对了。缺失率低但错误率高，同样会误导决策。
2. 只关注单系统一致性：同一系统内一致，跨系统不一致，在联合建模或跨部门协作时依然会出问题。
3. 忽视衍生数据的可回溯性：特征计算逻辑变更后，历史特征无法复现，导致模型监控和审计失效。
4. 用技术手段替代口径治理：试图用ETL脚本强行对齐，而不解决业务定义分歧，最终只是把矛盾后移。

复盘这些误区，可以得出一个基本结论：风控数据治理必须从“业务定义”出发，先统一口径，再谈技术实现。完整性、准确性、一致性不是三个孤立指标，而是一条链：定义清楚 → 采集完整 → 校验准确 → 对齐一致 → 持续监控。只有这条链闭合，风控数据才能真正支撑稳定、可解释的决策。