2. 风控数据基础

在风控体系中，数据不是“越多越好”，而是“越可解释、越可追溯、越可治理越好”。风控数据血缘与指标口径治理之所以困难，根源往往不在工具，而在于对数据本身缺乏结构化认知。本节从风控数据的分类、常见数据源、流转链路、质量要求和典型应用场景五个维度，建立后续血缘与口径治理的认知底座。

一、核心原理：风控数据的四层分类框架

风控数据可按“来源—加工深度—时效—敏感度”四个维度分类。最常用的是按加工深度分层，因为它直接决定了血缘复杂度和口径治理难度。

层级	定义	典型示例	血缘特征
原始层（ODS）	直接接入的业务系统数据，不做业务逻辑加工	订单表、用户表、还款流水	链路短，但字段命名混乱、口径未定义
明细层（DWD）	清洗、去重、标准化后的明细数据	标准化借款申请明细、设备指纹明细	开始出现字段映射与口径约定
汇总层（DWS）	按主题聚合的宽表或轻度汇总	用户近30天申请次数、设备关联账号数	口径集中，血缘分支多，易出现同名不同义
指标层（ADS）	面向应用直接输出的指标或标签	欺诈评分、多头借贷指数、授信通过率	口径必须唯一，血缘需端到端可追溯

除分层外，按时效可分为离线批处理数据与实时流数据；按敏感度可分为个人身份信息、设备信息、行为信息和衍生标签。分类的价值在于：不同层级和类型的数据，其血缘断点、口径冲突和质量校验策略完全不同。

二、常见数据源与接入方式

风控常见数据源可归纳为内部业务数据、外部征信与三方数据、用户行为与设备数据三大类。

• 内部业务数据：信贷核心系统、支付系统、客服系统、催收系统。通常通过数据库直连或CDC（变更数据捕获）接入。
• 外部数据：人行征信、百行征信、三方反欺诈、多头借贷、运营商、工商司法等。多以API调用或文件批量交换方式接入。
• 行为与设备数据：埋点日志、APP启动记录、设备指纹、IP归属、GPS。通常经消息队列（如Kafka）流入实时计算链路。

接入方式直接影响血缘起点。例如，API方式接入的外部数据往往只保留调用日志和返回结果，字段口径依赖供应商文档；而CDC接入的内部数据可以追溯到源库表级甚至字段级。

-- 典型ODS接入配置示例（伪代码）
source:
  type: mysql_cdc
  host: risk-core-db
  tables:
    - loan_apply
    - repay_plan
  target: ods_risk.loan_apply_incr
  schema_mapping:
    apply_id: apply_id
    cust_no: customer_no
    apply_time: apply_time
    amount: apply_amount

三、数据流转链路：从产生到指标输出

风控数据流转通常遵循“采集—接入—加工—服务—应用”五段链路。理解这条链路，是后续做血缘追踪和口径治理的前提。

1. 采集：业务系统产生数据，或外部接口返回数据。
2. 接入：通过CDC、API、文件等方式进入数据平台，形成ODS层。
3. 加工：经ETL/ELT清洗、关联、聚合，形成DWD、DWS层。
4. 服务：指标或标签写入特征平台、指标平台或决策引擎。
5. 应用：被规则引擎、评分卡、报表、模型调用。

下面是一个简化的链路示意，帮助建立端到端视角：

四、数据质量要求与典型应用场景

风控数据质量通常从六个维度衡量：完整性、准确性、一致性、及时性、唯一性、有效性。其中，一致性和及时性对风控决策影响最大。

• 完整性：关键字段缺失率需低于阈值，如设备号缺失率超过5%需告警。
• 准确性：外部数据与内部数据交叉验证，如征信逾期记录与内部还款流水比对。
• 一致性：同一指标在不同报表中口径必须一致，这是口径治理的核心目标。
• 及时性：实时风控要求数据延迟在秒级，离线报表可接受T+1。
• 唯一性：防止同一申请被重复计算，影响通过率和逾期率。
• 有效性：数据需在合理值域内，如年龄不能为负数。

典型应用场景包括：贷前反欺诈（设备关联、多头借贷）、贷中额度管理（行为评分、还款能力）、贷后催收（失联修复、还款意愿预测）。不同场景对数据时效、口径和血缘追溯的要求差异显著。

复盘一个真实场景：某机构“首逾率”在报表中为3.2%，在决策引擎中为4.1%。排查发现，报表统计的是“首次逾期且未还款”，决策引擎统计的是“首次逾期含已还款”。同一名称，两种口径，根源在于DWS层加工时未统一过滤条件。解决方式不是改报表，而是在指标层建立唯一口径定义，并向上游血缘追溯，锁定加工节点。

掌握风控数据的分类、来源、链路和质量要求，是后续开展血缘追踪和指标口径治理的前提。只有先看清数据“从哪里来、经过什么加工、到哪里去”，才能在出现口径冲突时快速定位、准确修复。