1. 坏样本归因概述
1.1 什么是坏样本
在风控体系中，坏样本（Bad Sample）是指在业务生命周期内发生违约、逾期、欺诈或其它风险事件的用户或交易记录。坏样本是风控模型训练、策略制定与效果评估的核心依据。
| 维度 | 定义 | 典型表现 |
|---|---|---|
| 信贷场景 | 逾期天数 ≥ M3+（90天以上） | 本金损失、催收失联、核销 |
| 交易反欺诈 | 被确认的欺诈交易或盗刷 | 非本人授权、设备异常、团伙攻击 |
| 账户安全 | 账户被盗用或恶意注册 | 批量注册、撞库成功、异常登录 |
| 内容风控 | 违规内容发布或传播 | 涉黄、涉政、恶意营销、垃圾信息 |
关键认知：坏样本不是静态标签，而是随业务周期、数据质量、策略松紧动态变化的。同一笔交易在A策略下是坏样本，在B策略下可能被放过或误判。
1.2 坏样本在风控中的重要性
坏样本是风控体系的信号源和校准基准。没有准确的坏样本定义与归因，所有策略优化都是盲人摸象。
- 模型训练的基础：监督学习模型依赖坏样本标签区分好坏用户，坏样本质量直接决定模型区分度（KS/AUC）。
- 策略调优的锚点：策略规则的回测、阈值调整、拒绝推断，都需要以坏样本分布作为参照。
- 损失评估的依据：坏样本率（Bad Rate）是计算预期损失（EL = PD × LGD × EAD）的核心输入。
- 风险预警的触发：坏样本的异常波动（如坏样本率突然上升50%）是策略失效或外部环境恶化的早期信号。
实践建议：建立坏样本的多级标签体系（如：逾期天数、欺诈类型、损失金额区间），避免单一二分类标签丢失信息。
1.3 归因的核心目标与价值
坏样本归因（Bad Sample Attribution）是指通过系统化的方法，识别导致样本变坏的关键驱动因素，并量化各因素的贡献度。归因不是终点，而是从“知道谁坏了”到“知道为什么坏”再到“知道怎么防”的桥梁。
核心目标
- 定位根因：区分是用户还款意愿不足、还款能力恶化、欺诈团伙攻击，还是策略本身误杀。
- 量化贡献：计算每个特征（如收入下降、多头借贷、设备指纹异常）对坏样本的边际影响。
- 区分可解释与不可解释：识别哪些坏样本可以通过策略拦截，哪些属于系统性风险。
- 生成策略优化方向：将归因结论转化为具体的规则调整、模型迭代或流程改进建议。
业务价值
| 价值维度 | 具体表现 | 量化指标示例 |
|---|---|---|
| 降低损失 | 精准拦截高风险群体，减少坏账 | 坏账率下降 15%~30% |
| 提升通过率 | 释放被误杀的好用户，增加营收 | 通过率提升 5%~10% |
| 加速迭代 | 归因结论直接指导策略A/B测试 | 策略迭代周期缩短 40% |
| 合规透明 | 满足监管对风险决策可解释性要求 | 模型可解释性评分提升 |
常见误区：归因不是事后追责，而是系统性复盘。不要将坏样本简单归咎于“用户信用差”，而应深入分析：是数据缺失导致模型失效？是策略阈值设置不当？还是外部经济环境突变？
1.4 归因与策略优化的关系
归因不是一次性的分析报告，而是嵌入策略迭代周期的持续机制。归因结论必须转化为可执行的策略动作，才能产生实际价值。
| 归因发现 | 策略优化动作 | 预期效果 |
|---|---|---|
| 多头借贷特征贡献度上升 | 收紧多头借贷规则阈值，增加多头查询频次权重 | 拦截多头高风险用户，坏账率下降 |
| 设备指纹异常集中出现 | 新增设备指纹黑名单规则，引入设备关联图谱 | 阻断团伙欺诈，欺诈率下降 |
| 收入稳定性特征缺失导致误杀 | 补充收入验证数据源，调整缺失值处理逻辑 | 通过率提升，坏账率不变或微降 |
| 特定地区坏样本率异常高 | 对该地区实施差异化策略，增加人工审核比例 | 区域风险可控，整体损失降低 |
归因成熟度模型：
- L1 - 描述性归因：统计坏样本分布，回答“谁坏了”。
- L2 - 诊断性归因：分析坏样本特征，回答“为什么坏”。
- L3 - 预测性归因：量化各因素贡献，回答“谁会坏”。
- L4 - 规范性归因：生成策略建议，回答“怎么防”。