业务理解与数据需求：风控目标定义、好坏客户定义、观察期与表现期设定、数据源梳理

说实话，很多刚入行的同学容易犯一个错——上来就调模型、跑代码。我刚开始做评分卡的时候也是这样，总觉得业务理解是浪费时间。直到有一次，我花了两周建了个模型，精度看着不错，结果上线后坏账率一点没降。后来复盘才发现，问题出在“好坏客户”的定义上——我把该算作坏客户的人给漏了。

所以这一章，咱们先把地基打牢。你想想看，如果连目标客户是谁、什么算“坏”、数据从哪来都没搞清楚，后面再漂亮的模型也是白搭。

风控目标定义：你到底想解决什么问题？

很多公司做风控，目标说得特别虚——“降低风险”、“控制坏账”。听起来没错，但没法落地。

我个人的习惯，在项目启动前会跟业务方至少开三次会，把风控目标拉成可量化的指标。常见的几个目标包括：

• 降低违约率（Bad Rate）：把某客群的逾期率从5%压到2%以内
• 提高通过率（Approval Rate）：在风险可控的前提下，把审批通过率提升10%
• 平衡收益与风险：不是单纯追求低违约，而是找到利润最大化的阈值

说白了，风控目标决定了后面所有设计的走向。如果目标是“压坏账”，那把阈值设严一点就行；如果是“提通过率”，就得想办法从数据里挖出更多“好人”的特征。

好坏客户定义：这个坑我替你踩过了

好坏客户的定义，是整个评分卡开发里最容易出问题的一环。为什么？因为“坏”是相对的。

我在项目中遇到过一家消费金融公司，他们的“坏客户”定义是“逾期超过90天”。但你猜怎么着？他们的产品周期才6个月，很多客户在第4个月就开始逾期了，但按他们的定义，这些人还没到“坏”的标准。结果模型训练出来的效果可想而知。

一般行业里的定义方式有这么几种：

定义方式	说明	适用场景
逾期天数（DPD）	逾期超过30/60/90天	银行信用卡、消费贷
违约标志	核销、代偿、法律诉讼	抵押贷、车贷
滚动率（Roll Rate）	观察客户从逾期状态向更严重状态迁移的比例	需要精细化定义的场景
自定义规则	结合业务逻辑（如连续逾期2期+金额>阈值）	创新业务、无历史数据

关于好坏比例，业内经验是坏样本最好不低于3%-5%。如果坏客户太少，模型学不到东西。我建议的做法是：先按最宽松的标准定义“坏”，再分多个等级（如重度逾期、轻度逾期），后续建模时再调整权重。

观察期与表现期设定：时间窗口的学问

好，现在我们知道什么是“坏客户”了。但还有个问题——你怎么知道一个客户在申请贷款的时候是“好”还是“坏”？

你没法预知未来。所以我们需要两个时间窗口：

• 观察期：用来提取客户特征的那段时间。比如申请日之前的12个月，看他的收入、负债、历史还款记录。
• 表现期：用来判断这个客户最终“好坏”的那段时间。比如放款后的6个月，看他有没有逾期。

这两个窗口的长度怎么定？我列个常见的配置给你参考：

产品类型	观察期长度	表现期长度	说明
信用卡	6-12个月	12-24个月	额度循环使用，表现期需覆盖多个账单周期
消费贷（短期）	3-6个月	3-6个月	产品周期短，表现期可与产品周期一致
房贷	12-24个月	24-36个月	长期产品，表现期越长越好
现金贷	1-3个月	1-3个月	短期小额，快速迭代

我个人建议：如果条件允许，把表现期设得长一点。短的变现期（比如3个月）虽然能让你快速拿到标签，但可能会漏掉那些“缓慢变坏”的客户。我在一个项目里试过6个月和12个月的两种表现期配置，结果30%的“好客户”在6-12个月之间变成了“坏客户”。

观察期也不是越长越好。太久远的数据，客户的信用状况可能已经发生了质变——比如两年前的工资单，跟现在完全不是一个收入水平。

数据源梳理：哪些数据能用，哪些不能用

数据这个东西，你永远觉得不够用。但真正做起项目来，你会发现大部分数据都是噪声。

我梳理数据源的习惯是分三层：

1. 内部强相关数据：客户在本机构的还款记录、账户流水、产品持有情况。这部分数据质量最高，一定要优先利用。
2. 内部弱相关数据：客户的服务记录、投诉记录、渠道行为。这些数据有噪音，但有时能挖出有意思的特征。
3. 外部数据：征信报告、多头借贷数据、黑名单、社保/公积金信息。这部分需要花钱买，性价比需要评估。

在实际操作中，我对每个数据源都会列一个清单，明确三个问题：

• 覆盖率：这个字段在样本中有多少缺失？比如“工作单位”这个字段，如果60%的人都填了“其他”，那它的价值就很有限。
• 时效性：数据多久更新一次？征信报告可能3个月更新一次，但多头借贷数据可能每天都有变化。
• 可用性：数据能不能直接建模？比如“身份证号”就没法直接用，但可以衍生出“年龄”、“性别”等特征。

你想想看，如果你拿到的数据覆盖率只有20%，就算这个特征预测能力再强，也只能覆盖一小部分客户。模型上线后，其他80%的客户怎么办？

# 一个简单的方法论：数据源可用性评分
# 我给每个数据源打分，满分10分：
# - 覆盖率 > 80%：5分
# - 覆盖率 50-80%：3分
# - 覆盖率 < 50%：1分
# - 时效性 < 1个月：3分
# - 时效性 1-3个月：2分
# - 时效性 > 3个月：1分
# - 可用于建模：2分
# 总分 > 7 分的优先使用，低于4分的暂时放弃

另外，关于外部数据，我有个建议：别贪多。很多公司一上来就买几十个外部数据源，结果大部分字段跟风险的相关性极低。与其铺开，不如先拿2-3个高覆盖率、高区分度的外部数据源做验证。我见过最极端的一个案例，公司买了30个数据源，最后只有2个进入了模型。

好了，说到这，整个业务理解与数据需求的核心内容差不多齐了。风控目标、好坏定义、时间窗口、数据源——这四个东西串起来，就是评分卡开发的“前传”。

下面我用一张图把整个流程串起来，方便你理解各环节之间的关系：

看到这张图，你应该能明白各个环节是怎么串起来的。先定目标，再定义好坏，然后设定时间窗口，最后梳理数据源。顺序不能乱——如果你先梳理了数据源，再看定义好坏，很可能发现数据覆盖不了你的定义。

好了，这一章就到这。内容比较多，但你只要把前面四个环节吃透了，后面的建模工作就会顺很多。毕竟，数据决定了模型的上限，而算法只是逼近这个上限的工具。