信用数据来源：银行内部、第三方征信与互联网行为数据
做信用评分第一时间要搞清楚的是——数据从哪来？很多人一上来就扎进特征工程，结果发现数据质量不行，白干。我自己的习惯是，先花一周把数据源摸透，再动手。信用评分的数据来源大体分三类，下面逐一拆开聊。
银行内部数据
这是最核心、最可靠的一块。银行自己有的交易流水、存款余额、贷款还款记录、信用卡账单、理财持仓等，都是用户真实金融行为的直接体现。为什么说它靠谱？因为资金流做不了假，一笔转账就是一笔转账。
举个具体字段：银行内部通常有「代发工资」标记，这个字段对判断收入稳定性极有参考价值。我在项目里遇到过一家城商行，他们的代发工资数据准确率超过95%，但有个坑——部分个体户会通过公司账户给自己发钱，这种要单独做脱敏识别。
| 典型字段 | 优点 | 缺点 | 获取难度 |
|---|---|---|---|
| 借记卡交易流水 | 真实、高频、可回溯 | 低频用户数据稀疏 | 低（行内直接拉取） |
| 信用卡还款记录 | 直接体现还款意愿 | 仅覆盖有卡用户 | 低 |
| 贷款本息还款明细 | 逾期标签的黄金标准 | 样本量小（有贷户） | 低 |
| 理财产品持仓 | 侧面验证资产水平 | 理财记录更新延迟 | 中（需理财系统接口） |
第三方征信数据
这里指的是央行征信、百行征信、前海征信这类持牌机构的数据。第三方征信最大的价值是「跨行信息」。你想想，一个用户在A行按时还款，但在B行已经逾期三个月，光看内部数据根本看不出来。
我印象很深的一个项目：合作了一家消费金融公司，他们只用央行征信做反欺诈，发现很多多头借贷用户在征信报告上并不明显——因为部分网贷不上征信。后来我们引入了百行征信的「多头借贷分值」，识别率提升了20%以上。
| 数据源 | 核心指标 | 更新频率 | 覆盖范围 |
|---|---|---|---|
| 央行征信 | 信贷记录、担保、查询次数 | 月更新 | 银行+持牌消金 |
| 百行征信 | 网贷借贷、多头指数 | 周更新 | 互金平台 |
| 前海征信 | 消费分、社交分 | 半月更新 | 部分电商及保险 |
互联网行为数据
这可能是最“乱”但也是最有潜力的数据源。电商购买记录、社交关系链、移动支付频次、位置轨迹、设备指纹……这些数据能补足传统金融数据的盲区，尤其是没有信贷记录的青年群体。
比如说，你在电商平台看到一个人经常买母婴用品，同时收货地址稳定不变，那他大概率是已婚有孩状态，还款稳定性会相对高。当然，这种强假设需要大量样本验证，不能拍脑袋用。
我个人的做法是：互联网行为数据只用来做「辅助特征」，不直接进核心模型。原因很简单——噪音太大了。举个例子，同一个人可能因为换手机，设备指纹变了，社交关系链也被洗掉，结果特征凭空断崖。
| 行为维度 | 典型指标 | 可用性 | 常见陷阱 |
|---|---|---|---|
| 电商行为 | 月消费金额、品类偏好 | 高（用户黏性强） | 退货率高的人≠信用差 |
| 社交关系 | 联系人数量、通话时长 | 中（隐私限制） | 易被噪声污染 |
| 移动支付 | 支付频次、交易对手多样性 | 高 | 需要处理流水截断 |
| 设备指纹 | 设备ID、Root状态 | 中（设备更新频繁） | 模拟器、改机党 |
三类数据如何融合？
你想想看，银行内部数据是“主干”，第三方征信是“骨架”，互联网行为是“血肉”。三者缺一不可，但融合时必须处理三个问题：
- 身份匹配：同一个人在不同数据源可能用不同ID（身份证号、手机号、设备ID）。我建议以身份证号+手机号做双重主键，实在匹配不上的用设备指纹+姓名模糊匹配。
- 时间对齐：银行数据通常是日频或月频，征信数据更新滞后期，互联网数据可能是毫秒级。要统一时间窗口，比如取行为前6个月的累计指标，而不是直接拼接。
- 质量打分：给每个数据源一个质量分，在特征工程层做加权。例如，银行内部数据质量分0.95，第三方0.85，互联网0.7，融合时按分数降权采样。
核心思想：不要追求“数据越多越好”。我见过团队引了40多个数据源，结果特征之间共线性严重，模型可解释性被冲烂。三类数据源，每个源里挑5～8个强信号特征，总共20个左右，比硬堆200个特征效果好得多。
最后说一句，数据来源的合规性千万别忽视。尤其是互联网行为数据，涉及用户隐私授权，必须确保有《个人信息保护法》要求的单独同意。我参与的一个项目差点因为使用未经授权的社交关系链被叫停，后来全部替换成脱敏加工后的二级指标才过关。这个坑，你们一定要提前留好文档凭证。