4、探索性数据分析（EDA）：目标变量定义、单变量分析、多变量分析、相关性分析、数据可视化在风控中的应用

探索性数据分析（Exploratory Data Analysis, EDA）是信用评分卡与贷后预警模型开发中承上启下的关键环节。在完成数据采集与清洗后，建模人员面对的是数百个潜在特征与数十万条样本记录。若直接进入特征工程或模型训练，往往会导致特征选择盲目、模型解释性差、过拟合风险高。EDA的核心价值在于：通过统计摘要、分布检验、交叉分析与可视化手段，系统性地理解数据的内在结构、变量间的关联模式以及目标变量的可预测性，从而为后续的特征筛选、分箱策略与算法选型提供坚实依据。本章将围绕目标变量定义、单变量分析、多变量分析、相关性分析及数据可视化五个维度，结合信贷风控实战场景展开深度解析。

上图展示了EDA在风控建模中的整体分析框架与时间窗口设计逻辑。在实际操作中，EDA并非一次性完成，而是随着对数据理解的深入不断迭代。以下各节将逐一拆解每个模块的具体实施方法、业务含义与常见陷阱。

4.1 目标变量定义：好坏客户的科学界定

核心原理：信用评分卡模型本质上是二分类问题，目标变量（Y）通常定义为“好客户”与“坏客户”。但“坏客户”的界定并非简单的“是否逾期”，而是需要结合业务策略、监管要求与数据可得性进行严谨设计。目标变量定义直接决定了模型的学习信号，若定义不当，后续所有工作都将失去意义。

判断方法与操作流程：

1. 确定观察期与表现期：观察期是用于计算特征变量的时间窗口（通常为6-12个月），表现期是用于判断客户好坏的时间窗口（通常为12-24个月）。两者之间需有明确的时间切分点（T0）。
2. 定义坏客户标准：常见标准包括：表现期内任意一笔逾期≥M3（逾期90天以上）、或累计逾期次数≥2次且金额超过阈值、或发生欺诈/失联等。建议结合业务容忍度设定。
3. 排除灰样本：对于表现期不足、提前结清、或处于争议状态的样本，应单独标记或剔除，避免噪声。
4. 样本平衡性检查：计算坏样本占比，若低于2%或高于20%，需考虑过采样/欠采样或调整定义。

定义维度	宽松定义	适中定义	严格定义
逾期阈值	M1（30天）	M2（60天）	M3+（90天以上）
坏样本率	8%-15%	3%-8%	1%-3%
模型区分度	较低（KS≈0.2）	适中（KS≈0.3）	较高（KS≈0.4）
业务风险	误杀率高	平衡较好	坏账遗漏风险
适用场景	高利润产品	标准信贷	低风险偏好机构

4.2 单变量分析：洞察每个特征的分布与预测力

核心原理：单变量分析聚焦于单个特征自身的分布形态、缺失情况、异常值以及该特征与目标变量的初步关系。其核心目的是筛选出具有区分能力的特征，并为后续的分箱操作提供边界参考。

操作流程：

• 连续变量：计算均值、中位数、标准差、偏度、峰度；绘制直方图与箱线图，识别长尾分布与极端值。
• 分类变量：统计频数、占比、类别数量；对于高基数类别（如职业、地区），考虑合并或使用目标编码。
• 缺失率分析：计算缺失比例，超过30%的变量需谨慎处理，缺失本身可能具有业务含义（如客户未填写收入）。
• IV值（Information Value）计算：将特征分箱后，计算IV值衡量预测能力。IV<0.02视为无预测力，0.02-0.1为弱预测力，0.1-0.3为中等，>0.3为强（但需警惕过拟合）。

# 单变量分析示例（Python伪代码）
import pandas as pd
import numpy as np

def calc_iv(df, feature, target):
    df = df[[feature, target]].dropna()
    df['bin'] = pd.qcut(df[feature], q=10, duplicates='drop')
    grouped = df.groupby('bin', as_index=False)[target].agg(
        total='count', bad='sum')
    grouped['good'] = grouped['total'] - grouped['bad']
    grouped['bad_rate'] = grouped['bad'] / grouped['bad'].sum()
    grouped['good_rate'] = grouped['good'] / grouped['good'].sum()
    grouped['woe'] = np.log(grouped['bad_rate'] / grouped['good_rate'])
    grouped['iv'] = (grouped['bad_rate'] - grouped['good_rate']) * grouped['woe']
    return grouped['iv'].sum()

4.3 多变量分析与相关性分析：识别特征间的共线性与交互效应

核心原理：多变量分析关注特征与特征之间、特征与目标之间的联合关系。相关性分析是其中的核心工具，用于量化线性或单调关联强度。在信用评分卡中，特征共线性会导致模型系数不稳定、解释性变差，因此必须通过相关性矩阵和VIF（方差膨胀因子）进行诊断。

判断方法：

• Pearson相关系数：适用于连续变量间的线性关系，对异常值敏感。
• Spearman秩相关系数：适用于有序变量或非线性单调关系，更稳健。
• Cramér's V：用于分类变量间的关联强度。
• VIF（方差膨胀因子）：VIF>10表示存在严重共线性，需考虑删除或合并特征。

相关系数范围	关联强度	风控处理建议
|r| ≥ 0.8	极强	仅保留IV值高或业务含义更清晰的一个
0.5 ≤ |r| < 0.8	中等偏强	考虑PCA或业务加权融合
0.3 ≤ |r| < 0.5	中等	保留，但注意交互项构造
|r| < 0.3	弱	正常保留

案例拆解：在某银行信用卡评分卡项目中，EDA发现“近6个月平均使用额度”与“近3个月平均使用额度”相关系数高达0.92，且两者IV值相近（0.25 vs 0.23）。通过VIF诊断，确认存在严重共线性。最终保留“近6个月平均使用额度”（业务含义更稳定），删除“近3个月”变量，模型VIF最大值从15.3降至4.2，逻辑回归系数符号与业务常识完全一致。

4.4 数据可视化在风控中的应用：从全局到细节的洞察工具

核心原理：可视化是EDA的“眼睛”，能够将抽象统计量转化为直观图形，帮助建模人员、业务人员与风控管理层快速达成共识。在风控场景中，可视化不仅用于探索，还用于模型监控与报告输出。

常用可视化类型与风控应用：

• 直方图+密度曲线：观察连续变量分布形态，识别双峰、长尾等异常。
• 箱线图（按好坏分组）：对比好客户与坏客户在同一特征上的分布差异，快速定位区分度高的特征。
• 相关性热力图：全局展示特征间相关性，辅助特征筛选。
• WOE曲线图：展示分箱后WOE值的变化趋势，验证单调性（逻辑回归要求WOE尽量单调）。
• 时间序列图：监控贷后逾期率随账龄（Vintage）的变化，评估模型稳定性。

可视化最佳实践：

1. 先全局后局部：先看整体分布，再深入异常点。
2. 分组对比：所有可视化尽量按目标变量分组着色。
3. 避免过度美化：图形应服务于决策，而非装饰。
4. 输出标准化：为业务方提供统一模板的可视化报告，包含样本量、时间范围、版本号。