3. 数据源与特征分类：内部数据、外部数据与特征类型
在风控样本构建中，数据源的选择与特征分类直接决定了模型的上限。本章系统梳理风控建模中常见的三大数据来源（内部数据、外部数据）以及三种特征类型（数值、类别、时序），帮助你在样本构建阶段建立清晰的数据分层意识。
3.1 数据源全景：内部数据 vs 外部数据
风控数据源按归属可分为内部数据与外部数据两大类。内部数据由机构自身采集，外部数据通过第三方接口或征信机构获取。两者在获取成本、覆盖范围、稳定性上存在显著差异。
| 维度 | 内部数据 | 外部数据 |
|---|---|---|
| 数据来源 | 申请表单、交易系统、APP埋点 | 征信中心、多头平台、黑名单库 |
| 获取成本 | 低（已有系统沉淀） | 高（按次付费或年费） |
| 覆盖范围 | 仅限本机构存量用户 | 全市场或行业级数据 |
| 稳定性 | 受业务策略影响大 | 受政策、接口可用性影响 |
| 典型特征 | 收入、职业、交易频次 | 征信逾期次数、多头借贷数 |
实践要点：内部数据是风控模型的“基本盘”，外部数据是“增量信息”。优先清洗内部数据，再按需引入外部数据，避免过度依赖外部接口导致成本失控。
3.2 内部数据详解
内部数据是风控建模最核心的数据源，通常包含以下两类：
- 申请信息：用户在申请环节主动提交的数据，如年龄、学历、职业、收入、居住地、婚姻状况等。这类数据在申请时点固定，属于静态特征。
- 行为数据：用户在使用产品过程中产生的动态数据，如登录频次、交易金额、还款记录、浏览路径、设备指纹等。行为数据具有时序性，能反映用户近期的信用表现。
避坑提示：申请信息中的“收入”字段常存在用户虚报或填写错误，建议结合行为数据中的交易流水进行交叉验证，或使用收入预测模型进行校准。
3.3 外部数据详解
外部数据用于补充内部数据无法覆盖的风险维度，常见类型包括：
- 征信数据：来自央行征信或百行征信等机构，包含信用卡还款记录、贷款逾期记录、查询次数等。征信数据权威性高，但更新频率较低。
- 多头数据：记录用户在多个平台申请借贷的行为，如近7天申请次数、近30天被拒次数。多头数据对“以贷养贷”风险非常敏感。
- 黑名单数据：来自行业共享的欺诈用户名单、逾期黑名单、法院失信被执行人名单等。黑名单数据通常用于规则拦截，也可作为模型特征。
合规提醒：外部数据的使用必须遵循《个人信息保护法》及征信管理规定。获取用户授权、明确数据用途、控制数据存储周期是基本合规要求。
3.4 特征类型：数值、类别与时序
从数据形态角度，风控特征可划分为三种基本类型。不同类型在预处理、编码方式和模型适配性上差异显著。
| 特征类型 | 定义 | 典型示例 | 常用处理方式 |
|---|---|---|---|
| 数值特征 | 连续或离散的数值量 | 年龄、收入、负债金额 | 标准化、分箱、对数变换 |
| 类别特征 | 有限个离散取值 | 职业、学历、婚姻状况 | 独热编码、标签编码、目标编码 |
| 时序特征 | 按时间顺序排列的数据 | 近30天交易频次、还款间隔 | 滑动窗口、差分、趋势提取 |
3.5 数据源与特征类型的映射关系
下图展示了内部数据、外部数据与三种特征类型之间的典型映射关系，帮助你在样本构建时快速定位特征来源。
3.6 特征类型在模型中的适配策略
不同模型对特征类型的敏感度不同。下表总结了常见风控模型对三种特征类型的适配情况：
| 模型类型 | 数值特征 | 类别特征 | 时序特征 | 说明 |
|---|---|---|---|---|
| 逻辑回归 | 需标准化 | 需独热编码 | 需聚合为统计量 | 线性模型对特征尺度敏感 |
| XGBoost / LightGBM | 可直接使用 | 支持类别特征（需指定） | 需构造衍生特征 | 树模型对数值尺度不敏感 |
| LSTM / Transformer | 需归一化 | 需嵌入向量 | 可直接输入序列 | 深度学习模型擅长时序建模 |
工程建议：在样本构建阶段，建议将数值特征、类别特征、时序特征分别存储为独立的特征表，并记录每个特征的来源数据源。这样在后续模型迭代时，可以快速定位特征来源，避免数据回溯困难。
3.7 数据源与特征类型的组合示例
以下是一个实际风控场景中的数据源与特征组合示例，展示如何从原始数据中提取三类特征：
# 内部数据 - 申请信息（类别特征）
feature_education = "本科" # 学历
feature_occupation = "IT工程师" # 职业
# 内部数据 - 行为数据（数值特征 + 时序特征）
feature_avg_transaction_30d = 12500.50 # 近30天平均交易金额（数值）
feature_transaction_count_7d = 23 # 近7天交易次数（数值）
feature_payment_interval_days = [15, 18, 12, 20] # 近4次还款间隔（时序）
# 外部数据 - 征信（数值特征）
feature_credit_inquiry_6m = 5 # 近6个月征信查询次数
# 外部数据 - 多头（数值特征）
feature_multi_head_7d = 3 # 近7天多头申请次数
# 外部数据 - 黑名单（类别特征）
feature_blacklist_flag = 0 # 是否命中黑名单（0/1）3.8 数据源与特征类型的分层策略
在风控样本构建中，建议按以下分层策略组织数据源与特征：
- 第一层：核心内部数据 — 优先使用申请信息和行为数据，构建基础数值特征和类别特征。
- 第二层：时序衍生特征 — 从行为数据中提取滑动窗口统计量、趋势特征、波动特征等时序衍生特征。
- 第三层：外部征信数据 — 引入征信查询次数、逾期记录等数值特征，补充信用维度。
- 第四层：外部多头与黑名单 — 作为风险增量信息，通常以数值特征和类别特征形式加入。
分层原则：每一层特征在加入模型前，需评估其与已有特征的相关性（VIF < 10）和缺失率（缺失率 < 30%）。避免因引入外部数据导致特征冗余或样本量大幅缩减。
通过本章的学习，你应该能够清晰区分内部数据与外部数据的来源与特点，掌握数值、类别、时序三种特征类型的定义与处理方式，并能够在实际样本构建中按分层策略组织数据源与特征。这是后续特征工程与模型训练的基础。