4. 数据源梳理：内部数据源与外部数据源
交易风控模型的精度与稳定性，首先取决于数据源的质量与覆盖度。本章系统梳理内部数据源（交易流水、用户画像）、外部数据源（征信、黑名单）以及三方数据接入规范，帮助你在样本构建阶段建立清晰的数据地图。
4.1 内部数据源
内部数据源是风控建模的基石，通常具备高可用、低延迟、可追溯的特点。核心包括交易流水与用户画像两大类。
4.1.1 交易流水数据
交易流水记录了每一笔支付、转账、消费、提现等行为的完整链路。建模时需提取以下关键字段：
| 字段类别 | 典型字段 | 建模用途 |
|---|---|---|
| 交易基础 | 交易ID、时间戳、金额、币种、渠道 | 时间序列特征、金额异常检测 |
| 设备环境 | 设备指纹、IP地址、操作系统、浏览器UA | 设备关联、代理检测、聚集性分析 |
| 地理位置 | GPS坐标、基站LAC/CI、IP归属地 | 异地交易检测、常驻地偏离 |
| 行为序列 | 交易间隔、连续失败次数、密码修改时间 | 行为画像、序列异常评分 |
实践要点：交易流水数据通常以天级分区存储在Hive或ClickHouse中。建模时建议至少回溯90天流水，用于构建滑动窗口统计特征（如近7天交易笔数、近30天最大单笔金额等）。
4.1.2 用户画像数据
用户画像是对用户身份、偏好、信用、行为模式的标签化描述。在风控场景中，画像数据帮助模型区分“好用户”与“坏用户”的群体特征。
- 身份属性：年龄、性别、职业、学历、注册时长、实名认证等级。
- 信用属性：内部信用分、历史逾期次数、授信额度使用率。
- 偏好属性：常用支付时段、常用商户类型、平均客单价。
- 风险标签：历史被拒次数、申诉记录、设备更换频率。
数据质量检查：用户画像数据常存在缺失、过期、冲突问题。建议在特征工程前执行完整性校验：缺失率超过30%的字段需标记为弱特征；注册时长与实名认证时间逻辑矛盾的数据行应直接剔除。
4.2 外部数据源
外部数据源用于补充内部信息的盲区，尤其在识别跨平台欺诈、多头借贷、团伙作案时不可或缺。
4.2.1 征信数据
征信数据主要来自央行征信中心、百行征信、朴道征信等持牌机构。常用字段包括：
- 信贷记录：贷款笔数、当前逾期金额、最长逾期天数、信用卡张数。
- 查询记录：近1个月/3个月/6个月征信查询次数（硬查询）。
- 公共记录：民事判决、强制执行、税务欠缴等。
合规红线：征信数据的使用必须遵循《征信业管理条例》及个人信息保护法。未经用户授权，不得查询、存储、传输征信原始字段。建模时建议只保留衍生特征（如查询次数、逾期率），不保留具体机构名称。
4.2.2 黑名单数据
黑名单数据包括内部黑名单、行业共享黑名单、司法黑名单等。按风险等级可分为：
| 黑名单类型 | 数据来源 | 更新频率 | 匹配方式 |
|---|---|---|---|
| 内部黑名单 | 本平台历史欺诈/逾期用户 | 实时 | 身份证号、手机号、设备指纹 |
| 行业共享黑名单 | 反欺诈联盟、互金协会 | T+1 | 加密哈希匹配 |
| 司法黑名单 | 法院、公安、海关 | 周级 | 姓名+身份证号 |
| 设备黑名单 | 设备指纹服务商 | 实时 | 设备ID、IMEI、MAC |
4.3 三方数据接入规范
三方数据接入是风控系统扩展数据维度的关键环节。不规范接入会导致数据延迟、字段歧义、合规风险。以下为标准化接入流程：
- 需求评审：明确数据用途（变量/规则/决策）、覆盖范围、性能要求（P99响应时间<200ms）。
- 合规审查：确认数据来源方资质、用户授权协议、数据存储期限、跨境传输限制。
- 接口对接：统一采用HTTPS+JSON格式，支持批量查询与实时查询双模式。
- 字段映射：建立三方字段与内部字段的映射表，统一枚举值、单位、缺失值标识。
- 质量监控：每日监控返回率、空值率、响应时间、状态码分布，设置告警阈值。
接入规范示例：某三方征信接口返回字段“overdue_days”在文档中定义为“最大逾期天数”，但实际返回值为字符串“30+”。映射时需统一转换为整型，并将“30+”解析为30，同时标记为右截断值。
4.4 数据源融合架构
下图展示了交易风控系统中内部数据源与外部数据源的融合架构，以及三方数据接入的标准流程。
4.5 数据源优先级矩阵
在实际建模中，不同数据源对模型效果的贡献度差异显著。以下优先级矩阵可指导特征筛选与资源投入：
| 优先级 | 数据源 | 贡献度 | 获取成本 | 更新时效 |
|---|---|---|---|---|
| P0 | 交易流水（内部） | 极高 | 低 | 实时 |
| P0 | 用户画像（内部） | 高 | 低 | T+1 |
| P1 | 征信数据（外部） | 高 | 中 | T+1 |
| P1 | 黑名单数据（外部） | 中高 | 中 | 实时/天级 |
| P2 | 三方评分/标签 | 中 | 高 | 实时 |
建议：在样本构建初期，优先保证P0数据源的完整性与准确性。P1数据源可作为模型迭代的第二阶段引入。P2数据源需经过AB测试验证增量效果后再接入，避免成本浪费。