📚 课程目录第3章授信业务数据理解

3. 授信业务数据理解

授信评分模型的构建，其根基在于对业务数据的深刻理解。本章将系统梳理信贷业务中三类核心数据来源（申请数据、征信数据、行为数据），讲解数据字典的设计规范，并明确样本与标签的定义标准（好客户/坏客户）。只有将数据源头、数据结构与业务定义三者对齐，后续的评分沙盘才能产出可信的模型。

3.1 信贷业务数据来源

信贷业务数据按产生阶段与获取渠道，可划分为三大类：申请数据、征信数据与行为数据。三者共同构成授信决策的信息基础。

数据类别	获取时点	核心字段示例	主要用途
申请数据	客户提交申请时	年龄、收入、职业、婚姻状况、学历、居住地址	基础准入、身份核验、初步还款能力评估
征信数据	客户授权后查询	征信报告、逾期记录、负债总额、查询次数、担保信息	信用历史验证、多头借贷识别、违约风险判断
行为数据	贷后持续产生	还款记录、交易流水、APP使用频率、设备信息、位置轨迹	贷中监控、额度调整、早期预警、反欺诈

数据融合要点： 申请数据提供“客户声称”的信息，征信数据提供“外部验证”的信息，行为数据提供“实际表现”的信息。三者交叉验证，可有效降低信息不对称带来的信用风险。

3.2 数据字典设计

数据字典是数据治理的基石。在授信评分沙盘中，数据字典需要明确每个字段的字段名、数据类型、取值范围、缺失处理规则以及业务含义。以下是一个典型的数据字典片段：

字段名	数据类型	取值范围/示例	缺失处理	业务含义
age	int	18-100	中位数填充	申请人年龄（周岁）
income	float	0-999999.99	均值填充	申请人月收入（元）
marital_status	string	未婚/已婚/离异/丧偶	众数填充	婚姻状况
loan_purpose	string	消费/经营/购房/购车/其他	单独标记“未知”	贷款用途
credit_score	int	300-850	拒绝赋值（如-1）	外部征信评分
overdue_days_12m	int	0-365	0填充	近12个月最大逾期天数

数据字典设计避坑： 字段命名应统一采用小写+下划线风格（如 overdue_days_12m），避免使用中文拼音或混合大小写。缺失值处理策略必须在数据字典中明确记录，否则后续建模时容易产生数据泄露或逻辑错误。

3.3 样本与标签定义

在授信评分模型中，标签是监督学习的核心。我们需要根据业务目标，将客户划分为好客户与坏客户。标签定义直接决定模型的学习方向与最终效果。

3.3.1 好客户/坏客户定义标准

客户类型	定义标准	典型业务规则	标签值
好客户	按时还款，无违约记录	贷款期内从未逾期超过30天，且正常结清	0
坏客户	发生严重违约或欺诈	逾期超过90天、核销、被认定为欺诈、失联	1
灰客户	表现介于好坏之间	逾期1-89天但未达到严重违约标准	通常剔除或单独建模

标签定义原则：
业务可解释性： 坏客户的定义必须与公司风险偏好、监管要求一致。
时间窗口明确： 通常设置“表现期”（如12个月），在表现期内观察客户是否变坏。
样本平衡性： 坏客户占比通常较低（5%-15%），需考虑采样策略或代价敏感学习。

3.3.2 样本划分与时间窗口

在授信评分沙盘中，样本的划分需要严格遵循时间顺序，避免未来信息泄露。典型的样本划分方式如下：

观察点（Observation Point）： 客户申请或放款的时间点。
表现期（Performance Window）： 观察点之后的一段固定时间（如12个月），用于判断客户好坏。
观察期（Observation Window）： 观察点之前的一段固定时间（如6个月），用于提取特征变量。

以下是一个时间窗口划分的示意图：

3.4 数据质量与预处理要点

在正式建模前，必须对数据进行质量检查。以下是常见的数据质量问题及处理策略：

问题类型	典型表现	处理策略
缺失值	字段为空或NULL	均值/中位数/众数填充、模型预测填充、单独标记
异常值	年龄200岁、收入为负数	截断（如1%-99%分位数）、业务规则剔除
重复记录	同一客户多次申请	按申请时间保留最新一条，或按业务规则去重
逻辑矛盾	婚姻状态为“未婚”但配偶信息非空	交叉验证后修正或标记为可疑
时间穿越	申请日期早于出生日期	直接剔除或标记为数据错误

Python预处理示例： 使用Pandas进行缺失值填充与异常值截断。

import pandas as pd
import numpy as np

# 读取数据
df = pd.read_csv('credit_data.csv')

# 缺失值填充：年龄用中位数，收入用均值
df['age'].fillna(df['age'].median(), inplace=True)
df['income'].fillna(df['income'].mean(), inplace=True)

# 异常值截断：收入上下限设为1%和99%分位数
lower = df['income'].quantile(0.01)
upper = df['income'].quantile(0.99)
df['income'] = df['income'].clip(lower, upper)

# 重复记录去重：保留最新一条
df.sort_values('apply_date', inplace=True)
df.drop_duplicates(subset='customer_id', keep='last', inplace=True)

3.5 本章小结

信贷业务数据来源包括申请数据、征信数据和行为数据，三者各有侧重，需融合使用。
数据字典是数据标准化的核心工具，需明确字段名、类型、取值范围、缺失处理与业务含义。
好客户/坏客户的标签定义需结合业务规则与时间窗口，避免未来信息泄露。
数据预处理（缺失值、异常值、重复记录、逻辑矛盾）是建模前的必要步骤，直接影响模型质量。