2. 坏样本的常见类型
在归因分析中，坏样本并非单一形态。根据数据生成机制与业务表现，可将坏样本归纳为四大核心类型：欺诈样本、逾期样本、异常交易样本与数据污染样本。理解这四类样本的本质差异，是后续归因定位与模型修复的基础。
2.1 四类坏样本概览
| 类型 | 核心特征 | 典型业务场景 | 归因难度 |
|---|---|---|---|
| 欺诈样本 | 人为恶意构造，违背真实意愿 | 信贷骗贷、保险骗保、刷单 | 高（对抗性强） |
| 逾期样本 | 时间维度上的信用违约 | 贷款逾期、信用卡坏账 | 中（可预测但滞后） |
| 异常交易样本 | 统计分布偏离，非人为恶意 | 大额转账、高频交易、系统误判 | 中（需区分噪声与信号） |
| 数据污染样本 | 采集/处理环节引入的错误 | 埋点缺失、字段错位、重复记录 | 低（可追溯但隐蔽） |
归因提示：欺诈样本与异常交易样本常被混淆。核心区别在于意图——欺诈样本包含主观恶意，异常交易样本多为客观波动或系统误差。归因时需优先区分“人祸”与“天灾”。
2.2 欺诈样本
欺诈样本是归因分析中最具破坏力的坏样本类型。其本质是人为构造的虚假行为数据，旨在绕过风控规则、骗取利益或干扰模型判断。
- 信贷领域：伪造收入证明、多头借贷、团伙骗贷。样本表现为“短时高频申请+信息矛盾”。
- 保险领域：带病投保、虚构事故、重复理赔。样本特征为“出险时间集中+理赔金额异常”。
- 电商/广告领域：刷单、虚假点击、机器注册。样本呈现“IP集中+行为模式高度重复”。
归因陷阱：欺诈样本往往具备“伪装性”——初期表现与正常用户高度相似，仅在关键转化节点暴露异常。归因时若仅依赖聚合指标，极易漏判。
2.3 逾期样本
逾期样本主要出现在信贷、租赁、分期等信用场景中。其核心特征是时间维度上的违约行为，即用户未能在约定时间内履行还款义务。
根据逾期天数，通常划分为不同风险等级：
| 逾期阶段 | 天数范围 | 归因关注点 |
|---|---|---|
| M1（早期逾期） | 1–30 天 | 还款意愿下降、临时资金周转 |
| M2（中期逾期） | 31–60 天 | 收入中断、多头借贷恶化 |
| M3+（严重逾期） | 61 天以上 | 失联、欺诈转化、坏账确认 |
逾期样本的归因难点在于滞后性——模型在放款时无法立即观测到逾期结果，导致样本标签与特征之间存在时间错位。归因分析需引入“时间窗口对齐”技术，避免用未来的标签解释过去的行为。
2.4 异常交易样本
异常交易样本指统计分布上显著偏离正常模式的交易行为，但不一定包含欺诈意图。常见场景包括：
- 大额交易：单笔金额远超用户历史均值，可能为购房、购车等真实消费。
- 高频交易：短时间内连续发起多笔交易，可能为正常抢购或系统重试。
- 跨地域交易：IP 地址与常用地不符，可能为出差或使用 VPN。
- 设备环境异常：新设备登录、模拟器环境、Root 设备。
归因原则：异常交易样本应遵循“先区分、后归因”策略。先通过无监督方法（如孤立森林、LOF）识别异常点，再结合业务规则判断是否属于坏样本。切忌将所有异常点直接标记为坏样本。
2.5 数据污染样本
数据污染样本是数据采集、传输、存储过程中引入的非业务性错误。这类样本不反映真实用户行为，却会严重扭曲模型训练结果。
常见污染类型：
| 污染来源 | 具体表现 | 检测方法 |
|---|---|---|
| 埋点缺失 | 关键事件未上报，行为序列断裂 | 空值率检查、事件完整性校验 |
| 字段错位 | 数值字段混入文本，单位不一致 | 数据类型校验、范围合理性检查 |
| 重复记录 | 同一条数据被多次写入 | 主键去重、时间戳去重 |
| 时间漂移 | 时间戳与业务时间不一致 | 时间序列排序检查、时区对齐 |
| 特征穿越 | 使用了未来信息构造特征 | 特征时间戳与标签时间戳对比 |
归因陷阱：数据污染样本是最容易被忽视的坏样本类型。很多模型效果下降的根因并非算法问题，而是上游数据链路出现了污染。归因分析的第一步，永远是“确认数据质量”。
2.6 四类坏样本的关系与转化
四类坏样本并非完全独立，在实际业务中常出现交叉与转化：
- 欺诈样本 → 逾期样本：骗贷行为在初期表现为欺诈，后期必然转化为逾期。
- 异常交易样本 → 欺诈样本：部分异常交易经核实后确认为欺诈行为。
- 数据污染样本 → 异常交易样本：埋点错误导致的行为数据异常，容易被误判为异常交易。
- 逾期样本 → 数据污染样本：逾期标签定义不一致（如不同产品逾期口径不同）导致标签污染。
2.7 坏样本识别优先级
在实际归因项目中，建议按以下优先级处理四类坏样本：
- 第一优先级：数据污染样本——先清洗数据链路，确保基础数据质量。
- 第二优先级：欺诈样本——识别并剔除恶意行为，防止模型被污染。
- 第三优先级：逾期样本——建立时间窗口对齐机制，处理标签滞后问题。
- 第四优先级：异常交易样本——区分真实异常与噪声，避免过度剔除。
实战建议：在归因分析启动前，先执行一轮“数据污染扫描”。使用空值率、重复率、时间戳连续性等指标快速定位污染样本。这一步通常能解决 30%–50% 的模型效果问题，性价比极高。