3. 标签体系概览
在风控体系中，标签不是孤立的数据字段，而是连接原始数据、业务语义与模型决策的中间层。口径设计决定了标签“怎么算”，坏样本定义决定了标签“算出来代表什么风险”，而标签体系则决定了这些标签能否被稳定地生产、复用和治理。本节从标签分类、生命周期和管理流程三个角度，建立后续口径设计与坏样本定义的共同语言。
一、核心原理：标签是业务语义的压缩表达
风控标签的本质，是把分散在多个系统、多个时间窗口、多种计算逻辑中的信息，压缩成可被规则、模型和策略直接消费的离散或连续变量。一个标签通常包含四层含义：对象（对谁打标，如用户、设备、商户、订单）、时间（观察点与观察窗口）、口径（统计逻辑与过滤条件）、取值（枚举、数值或布尔）。缺少任何一层，标签在跨团队使用时都会产生歧义。
因此，标签体系设计的第一原则不是“多”，而是“可解释、可追溯、可复用”。可解释意味着业务方能理解标签含义；可追溯意味着能从标签反查到原始数据和计算任务；可复用意味着同一标签在不同策略中不需要重复开发。
二、标签分类：客群标签、行为标签、风险标签
按业务语义，风控标签通常分为三大类。三者不是互斥关系，而是从不同视角描述同一对象，实际体系中常组合使用。
| 标签类别 | 核心问题 | 典型示例 | 主要来源 | 更新频率 |
|---|---|---|---|---|
| 客群标签 | “他是谁” | 新客/老客、学生群体、高净值、企业主、地域分层 | 注册资料、实名信息、第三方画像 | 低，按天/周/月 |
| 行为标签 | “他做了什么” | 近7日登录次数、近30日交易笔数、夜间活跃、设备切换频次 | 埋点日志、交易流水、设备指纹 | 高，按小时/天 |
| 风险标签 | “他有多危险” | 多头借贷、历史逾期、黑名单命中、团伙关联、欺诈评分 | 征信、内部案件、模型分、关联图谱 | 中，按天/事件触发 |
客群标签偏静态，用于分层和准入；行为标签偏动态，用于捕捉近期变化；风险标签偏结论，用于直接参与决策。实践中，风险标签往往由客群标签和行为标签衍生而来，例如“新客 + 近7日设备切换≥3次 + 多头借贷≥5家”可组合成“高危新客”风险标签。
分类不是目的，而是治理手段。分类清晰后，才能为不同类别设定不同的更新频率、质量校验规则和权限策略。例如行为标签需要更严格的时效监控，风险标签需要更严格的变更审批。
三、标签生命周期：从需求到退役
标签不是一次开发就永久有效。一个完整的标签生命周期通常包含六个阶段：
- 需求提出：业务方或策略方提出标签需求，明确使用场景、对象、时间窗口和预期取值。
- 口径设计：定义统计逻辑、过滤条件、空值处理、边界情况，并形成可评审的口径文档。
- 开发与测试：实现计算任务，进行数据质量校验、分布对比和回溯验证。
- 上线与发布：注册到标签平台，配置更新频率、存储位置、权限和版本号。
- 监控与迭代：监控覆盖率、稳定性、分布漂移和业务效果，按需调整口径。
- 退役与归档：当标签不再使用或口径被替代时，停止生产并保留历史版本，避免“僵尸标签”污染体系。
生命周期管理的关键是版本化。任何口径变更都必须产生新版本，而不是直接覆盖旧逻辑。否则，同一标签名在不同时间点的含义不一致，会导致模型回溯和策略复盘失效。
四、标签管理流程：从注册到消费
标签管理流程可以概括为“注册—生产—质检—服务—消费—治理”六个环节。下面是一个简化的标签注册配置示例，用于说明标签元数据应包含哪些关键字段：
{
"tag_code": "risk_multi_loan_30d",
"tag_name": "近30日多头借贷机构数",
"category": "risk",
"object": "user",
"window": "30d",
"caliber": "统计近30日内成功放款的非银机构数，去重",
"value_type": "int",
"update_freq": "daily",
"owner": "risk_data_team",
"version": "v2.1",
"status": "online",
"quality_rule": "覆盖率>=95%, 空值率<=5%"
}该配置中，caliber 是口径的核心描述，version 支持版本追溯，quality_rule 用于自动质检。标签平台应基于这些元数据统一调度生产任务，并向策略、模型和报表提供一致的查询接口。
管理流程的核心目标：让标签“找得到、看得懂、信得过、管得住”。找得到靠元数据检索，看得懂靠口径文档，信得过靠质量监控，管得住靠权限与审批。
五、案例与场景：一个“高危新客”标签的诞生
假设业务方希望识别注册后7天内可能发生欺诈的新客。初始需求是“新客风险标签”。经过拆解，发现它需要组合三类标签：
- 客群标签：
is_new_user_7d，注册7天内； - 行为标签：
device_switch_7d，近7日设备切换次数；night_active_7d，近7日夜间活跃天数； - 风险标签：
multi_loan_30d，近30日多头借贷机构数；blacklist_hit，是否命中黑名单。
组合规则可定义为：新客且设备切换≥3且多头借贷≥5，则打上 high_risk_new_user 标签。上线后监控发现该标签覆盖率仅2%，但命中人群中欺诈率是平均水平的8倍，说明口径有效。随后根据业务反馈，将设备切换阈值调整为≥2，版本升级为v2，并保留v1用于回溯对比。
六、误区与复盘
常见误区一：标签命名随意。同一含义出现多个名称，或同一名称对应多种口径，导致策略引用错误。应建立命名规范，如“类别_对象_窗口_指标”。
常见误区二：只建不管。标签上线后无人监控，分布漂移、覆盖率下降、空值率上升都无人发现，最终污染模型输入。
常见误区三：口径变更不留痕。直接修改计算逻辑而不升版本，导致历史策略无法复现，坏样本定义与标签口径错位。
常见误区四：风险标签滥用。将风险标签直接作为强规则拒绝，而不评估其时效性和误杀率，容易造成业务损失。
复盘时，应重点检查三件事：标签是否仍有明确使用方；口径是否与当前业务定义一致；质量监控是否覆盖核心标签。只有把标签当作有生命周期的数据资产来管理，后续的坏样本定义和模型开发才有可靠基础。