1. 信贷风控的核心目标与全流程

1.1 信贷风控的核心目标

信贷风控的本质是在收益与风险之间寻找最优平衡。其核心目标可以概括为：在给定的风险偏好下，最大化信贷资产的预期收益，同时将坏账损失控制在可接受范围内。具体而言，风控体系需要回答三个关键问题：

• 准入：谁可以借钱？—— 拒绝高风险客群，避免欺诈和恶意拖欠。
• 定价：借多少钱、什么利率？—— 根据风险水平差异化定价，覆盖预期损失。
• 催收：钱收不回来怎么办？—— 通过贷后管理降低最终损失。

1.2 信贷全流程：贷前、贷中、贷后

信贷业务的生命周期分为三个阶段，每个阶段都有不同的风控任务和数据需求。下表梳理了各阶段的核心动作与风控目标：

1.3 数据在风控中的角色

数据是风控模型的燃料。没有高质量、多维度的数据，再先进的算法也无法发挥作用。数据在风控中扮演以下关键角色：

• 身份验证：通过身份证OCR、人脸识别、运营商实名制等数据确认用户真实身份。
• 信用评估：央行征信、百行征信、电商消费记录、社保公积金等数据用于评估还款能力和意愿。
• 反欺诈：设备指纹、IP地址、GPS位置、联系人关系图等数据用于识别团伙欺诈和伪冒申请。
• 行为监控：贷中交易频次、登录时段、额度使用率等数据用于发现早期逾期信号。
• 催收决策：历史催收记录、失联修复数据、资产线索等数据用于制定差异化催收策略。

1.4 风控数据架构与流转

下图展示了风控系统中数据从采集到决策的完整流转路径，以及各阶段对应的典型数据源和特征工程环节：

1.5 风控特征工程的典型挑战

在实际业务中，风控特征工程面临以下常见痛点，也是本课程后续章节要重点解决的问题：

1. 数据稀疏性：大量用户只有少量借贷记录，特征矩阵极度稀疏，容易过拟合。
2. 样本不平衡：坏样本（逾期/欺诈）通常只占1%~5%，模型容易偏向多数类。
3. 特征时效性：用户行为随时间变化，历史特征可能失效，需要定期监控和更新。
4. 特征相关性：多头借贷、收入、负债等特征之间高度相关，需要做降维或特征选择。
5. 可解释性要求：监管和业务方要求模型可解释，不能完全依赖黑盒模型。