2. 坏样本基础概念
2.1 什么是坏样本
在风控建模与业务分析中，坏样本指在特定观察窗口内，用户行为触发了预设的负面业务定义，且该行为对平台造成了可量化的经济损失或风险暴露。坏样本是风控模型训练的正例（通常标记为 1），其质量直接决定模型区分好坏用户的能力。
核心公式：坏样本 = 负面行为 + 可归因损失 + 时间窗口约束
坏样本的判定需同时满足三个条件：
- 行为发生：用户产生了逾期、欺诈、销户等负面事件；
- 损失可量化：该事件导致平台产生直接或间接的经济损失；
- 窗口明确：在固定的表现期（如贷后 90 天）内完成观察。
2.2 坏样本的主要类型
根据业务场景与损失性质，坏样本可划分为以下三类核心类型：
| 坏样本类型 | 定义 | 典型表现 | 损失特征 |
|---|---|---|---|
| 欺诈 | 用户通过虚假身份、伪造资料或团伙作案，恶意骗取资金或商品 | 首期逾期、多头借贷、设备伪造、团伙关联 | 损失集中、金额大、回收率极低 |
| 逾期 | 用户有真实借款意愿，但因还款能力或还款意愿不足，未按时还款 | M1（30天+）、M3（90天+）、失联、催收无效 | 损失渐进、部分可回收、与信用评分强相关 |
| 流失 | 高价值用户因体验、竞品或政策原因停止使用平台服务 | 连续未登录、交易归零、销户、转投竞品 | 损失为机会成本、隐性、需结合 LTV 评估 |
实战提示：同一用户可能同时触发多种坏样本类型。例如，欺诈用户往往也伴随首期逾期。在样本标注时，建议按“欺诈优先、逾期次之、流失最后”的优先级进行去重，避免样本重叠导致模型混淆。
2.3 坏样本在风控中的重要性
坏样本是风控体系的基石，其重要性体现在以下四个层面：
- 模型训练的基础：无坏样本则无法训练区分模型，风控评分卡、机器学习模型均依赖高质量坏样本作为正例。
- 策略制定的依据：通过分析坏样本的共性特征（如年龄、地域、设备指纹），可制定针对性的准入、额度、定价策略。
- 损失评估的标尺：坏样本的占比与损失金额直接决定风险定价水平，影响平台的整体盈利模型。
- 监控预警的触发点：坏样本率的异常波动（如周环比上升 20%）是风控系统最核心的预警信号。
常见误区：很多团队只关注坏样本的数量，而忽略坏样本的纯度。如果坏样本中混入了大量“假坏”（如因系统故障导致的逾期），模型会学到错误规律，导致线上误杀率飙升。建议在标注后增加人工抽检环节，确保坏样本准确率不低于 95%。
2.4 坏样本的判定流程
下图展示了从用户行为发生到最终确认为坏样本的标准化判定流程：
2.5 坏样本的质量评估指标
在实际业务中，除了定义坏样本，还需要持续监控其质量。以下是三个核心评估指标：
| 指标名称 | 计算公式 | 监控频率 | 预警阈值 |
|---|---|---|---|
| 坏样本率 | 坏样本数 / 总样本数 × 100% | 每日 | 周环比上升 > 20% |
| 坏样本纯度 | 人工抽检确认的坏样本数 / 抽检总数 × 100% | 每周 | 纯度 < 95% |
| 坏样本稳定性 | 当前周期坏样本率 / 历史均值 | 每月 | PSI > 0.1 |
实战案例：某消费金融平台在 2024 年 Q2 发现坏样本率从 3.2% 骤升至 5.8%。经排查，原因是新上线的“极速贷”产品将表现期从 90 天缩短至 30 天，导致大量本应后续逾期的用户被提前标记为坏样本。调整回 90 天窗口后，坏样本率恢复至 3.5%。该案例说明：窗口一致性是坏样本质量的生命线。
2.6 坏样本与好样本的对比
为了更直观地理解坏样本，下表将其与好样本进行多维度对比：
| 对比维度 | 坏样本 | 好样本 |
|---|---|---|
| 模型标签 | 1（正例） | 0（负例） |
| 业务表现 | 逾期、欺诈、流失 | 正常还款、活跃使用 |
| 损失属性 | 直接或间接经济损失 | 无损失，贡献利润 |
| 样本占比 | 通常 1% ~ 10% | 通常 90% ~ 99% |
| 建模处理 | 需过采样或权重调整 | 可下采样或直接使用 |
| 监控重点 | 纯度、稳定性、召回率 | 覆盖率、误杀率 |
理解坏样本的基础概念，是后续进行坏样本归因分析和收益评估的前提。只有正确定义、准确标注、持续监控坏样本，风控模型和策略才能建立在坚实的数据基础之上。