4、信贷数据基础：常用数据源（征信、行为、第三方）、数据字段解读、数据质量与清洗方法

信贷风控的本质，是在信息不对称的条件下对借款人的还款意愿与还款能力进行概率判断。而所有判断的起点，都依赖于数据。数据是风控模型的“原材料”，其完整性、准确性、时效性直接决定了模型的上限——再优秀的算法也无法弥补低质量数据带来的偏差。本章将系统梳理信贷风控中常用的三类数据源（征信、行为、第三方），深入解读核心字段的业务含义，并重点讲解数据质量评估与清洗的工程化方法，帮助学员建立从“拿到数据”到“可用特征”的完整认知链路。

4.1 核心原理：三类数据源的分工与互补逻辑

信贷风控的数据体系可以概括为“征信数据定底线、行为数据看意愿、第三方数据补盲区”。这三类数据并非简单叠加，而是各有侧重、互为校验。征信数据（如央行征信报告）是强金融属性数据，直接反映借款人在传统金融机构的历史借贷与还款表现，是风控决策的“压舱石”。行为数据则来源于用户与信贷产品交互过程中产生的痕迹，包括APP操作路径、借款频次、还款习惯等，能够捕捉征信报告无法体现的近期风险信号。第三方数据则覆盖司法、工商、社交、设备等多维度信息，主要用于反欺诈识别和补充信用评估的盲区。

理解三类数据的分工，关键在于把握其“时间维度”和“信息维度”的差异。征信数据是低频、高权威的“结果数据”，通常按月更新；行为数据是高频、实时的“过程数据”，能反映用户当下的资金紧张程度；第三方数据则是“广度数据”，帮助机构识别征信白户、欺诈团伙等特殊客群。在实际风控中，机构通常以征信数据为基础构建核心评分，用行为数据做实时风险预警，用第三方数据做交叉验证和反欺诈拦截。

4.2 判断方法：数据字段的业务解读与质量评估

拿到原始数据后，风控人员需要快速判断字段的业务含义和数据质量。以央行征信报告为例，核心字段包括“逾期记录（M0/M1/M2+）”、“信贷账户数”、“查询记录”、“负债总额”等。其中，M0表示当前未逾期，M1表示逾期1-30天，M2表示逾期31-60天，M3+表示逾期90天以上。风控中通常将M2+视为“严重逾期”信号，而M1的频繁出现则提示用户可能存在“以贷养贷”的行为。

行为数据的字段解读需要结合业务场景。例如，“近30天登录次数”反映用户对产品的依赖度，“借款金额与收入比”反映负债压力，“还款提前天数”则直接关联用户的资金充裕程度。第三方数据中，“司法被执行次数”是强风险信号，“工商变更频率”常用于企业主客群的经营稳定性判断，“设备关联申请人数”则是反欺诈的重要指标。

数据质量评估应遵循“五性”原则：完整性（缺失率）、准确性（错误值）、一致性（跨源冲突）、时效性（数据新鲜度）、稳定性（字段分布波动）。具体操作时，可先对每个字段计算缺失率、唯一值比例、最大值/最小值、均值/中位数等统计量，再结合业务逻辑判断异常。例如，年龄字段出现“-1”或“200”，收入字段出现“0”或“999999”，均属于明显的脏数据。

4.3 操作流程：数据清洗的标准步骤与工程实践

数据清洗是风控建模前最耗时但最关键的环节。标准流程包括五个步骤：去重、缺失处理、异常值处理、格式标准化、时间窗口对齐。去重时需注意，同一用户可能因渠道不同产生多条记录，应基于用户唯一标识（如身份证号+手机号）进行去重，并保留信息最全的一条。缺失处理需区分字段类型：对于强特征字段（如征信逾期次数），缺失率超过30%应直接剔除；对于弱特征字段，可采用均值填充、中位数填充或模型预测填充。

异常值处理需结合业务逻辑。例如，年龄字段的合理范围是18-70岁，超出该范围的值应视为异常并置为缺失；收入字段若出现“0”或负数，需判断是否为真实失业状态还是数据录入错误。格式标准化包括日期格式统一（如YYYY-MM-DD）、金额单位统一（元/万元）、分类编码统一（如性别用0/1表示）。时间窗口对齐则要求所有特征必须基于同一时间截点计算，避免“未来数据泄露”导致模型过拟合。

# 数据清洗伪代码示例（Python风格）
import pandas as pd
import numpy as np

# 1. 去重
df = df.drop_duplicates(subset=['user_id'], keep='last')

# 2. 缺失率检查
missing_rate = df.isnull().mean()
drop_cols = missing_rate[missing_rate > 0.3].index.tolist()
df = df.drop(columns=drop_cols)

# 3. 异常值处理（年龄字段）
df.loc[(df['age'] < 18) | (df['age'] > 70), 'age'] = np.nan
df['age'] = df['age'].fillna(df['age'].median())

# 4. 格式标准化
df['apply_date'] = pd.to_datetime(df['apply_date'], format='%Y%m%d')
df['loan_amount'] = df['loan_amount'] / 10000  # 单位转为万元

# 5. 时间窗口对齐（以申请日为基准）
df['days_since_last_login'] = (df['apply_date'] - df['last_login_date']).dt.days

4.4 案例拆解：某消费金融公司的数据清洗实战

某消费金融公司计划开发一款面向年轻客群的现金贷产品，初始样本包含10万条申请记录，数据源涵盖央行征信、APP行为日志和第三方多头借贷数据。建模团队在数据清洗阶段发现以下问题：（1）征信数据缺失率高达25%，原因是部分用户为征信白户；（2）行为数据中存在大量“设备刷量”记录，部分用户登录次数异常偏高（日均超过50次）；（3）第三方数据中多头借贷平台数存在明显的时间不一致，部分记录为3个月前数据。

团队采取了分步骤的清洗策略。首先，对于征信缺失用户，并未直接剔除，而是单独构造“是否征信白户”的哑变量，并利用第三方数据（如电商消费记录）进行信用评估补充。其次，针对行为数据，设定“日均登录次数超过20次”为异常阈值，将异常值截尾至20次，并新增“登录频次波动率”特征以区分真实用户与刷量行为。最后，对于第三方数据，统一以申请日往前推30天为时间窗口，重新计算多头借贷平台数，确保所有样本的时间口径一致。

清洗后的数据集特征维度从原始的120个降至98个，缺失率整体控制在5%以内。建模结果显示，清洗后的模型AUC（Area Under Curve，曲线下面积）从0.71提升至0.78，KS值从0.32提升至0.41。更重要的是，模型在跨时间验证集上的表现更加稳定，说明清洗操作有效减少了噪声和过拟合风险。复盘时团队总结出三条经验：第一，缺失值处理不能一刀切，要结合业务含义选择填充或构造哑变量；第二，异常值截尾比直接删除更能保留信息；第三，时间窗口对齐是防止数据泄露的关键防线。

4.5 常见误区与总结复盘

在信贷数据基础工作中，风控人员常陷入以下误区：误区一：数据越多越好。实际上，无关字段不仅增加计算成本，还可能引入噪声，应通过特征重要性筛选保留有效变量。误区二：缺失值一律填充为0。对于征信白户，填充为0会混淆“无记录”和“记录良好”两种截然不同的风险状态，应单独标记。误区三：忽视数据时效性。使用3个月前的多头借贷数据来判断当前共债风险，会严重低估风险水平。

总结本章内容，信贷数据基础工作的核心可以概括为“理解字段、评估质量、清洗加工、验证效果”四个环节。数据源的选择决定了风控模型的广度，字段解读决定了模型的深度，而数据清洗则决定了模型的可靠性。在实际工作中，建议建立标准化的数据质量监控报表，定期跟踪关键字段的缺失率、分布变化和跨源一致性，确保数据质量始终处于可控状态。只有打好数据基础，后续的模型开发、策略制定和额度定价才能建立在坚实的地基之上。