3、数据源选择：内部数据（交易、行为）、外部数据（征信、多头）、第三方数据源
风险定价模型的样本质量，首先取决于数据源的广度与深度。单一数据源往往存在覆盖盲区或时效滞后，导致模型对借款人真实信用状况的刻画失真。本节从内部、外部、第三方三个维度，梳理各数据源的核心字段、适用场景与接入要点。
3.1 内部数据：交易与行为
内部数据是机构自有的第一手数据，具有高准确性、低延迟、可追溯的优势，是风险定价样本构建的基石。
| 数据类别 | 典型字段 | 建模用途 |
|---|---|---|
| 交易数据 | 交易金额、交易频次、交易对手类型、交易时间分布 | 收入稳定性评估、资金流向异常检测 |
| 行为数据 | 登录频次、页面停留时长、修改个人信息次数、客服咨询记录 | 欺诈倾向识别、还款意愿推断 |
| 账户数据 | 账户余额、历史逾期天数、授信额度使用率、还款方式偏好 | 信用评分卡核心变量、额度定价基准 |
实战要点：内部数据需注意“幸存者偏差”——仅保留存量客户数据会忽略被拒客群，导致模型对高风险样本的区分能力下降。建议在样本构建时，至少保留最近12个月的完整交易流水，并标记每个样本在观察期结束时的状态（正常/逾期/核销）。
3.2 外部数据：征信与多头
外部数据弥补内部数据在跨机构信息上的缺失，是识别共债风险、多头借贷和隐性负债的关键来源。
- 征信数据：来自央行征信中心或百行征信等持牌机构，包含贷款记录、信用卡还款记录、担保信息、查询记录。核心指标包括“近6个月逾期次数”、“当前逾期金额”、“征信查询次数”。
- 多头借贷数据：通过第三方数据服务商（如同盾、百融）获取，反映借款人在多个平台同时申请或借贷的情况。常用指标有“近7天申请平台数”、“近30天借贷平台数”、“历史最大同时在贷笔数”。
数据融合策略：征信数据通常以月度快照形式接入，多头数据则以T+1实时接口为主。建议在样本切分时，将征信快照日期与多头查询日期对齐到同一个时间窗口（如观察期结束日），避免时间错配导致特征失效。
3.3 第三方数据源
第三方数据源涵盖运营商、电商、社保、公积金、税务、司法等非金融场景数据，用于补充收入验证、稳定性评估和欺诈排查。
| 数据源类型 | 典型字段 | 风险定价价值 |
|---|---|---|
| 运营商数据 | 在网时长、通话活跃度、联系人稳定性、异常关机频次 | 身份真实性验证、社交稳定性评估 |
| 电商消费数据 | 月均消费金额、消费类目分布、收货地址稳定性 | 消费能力与收入水平交叉验证 |
| 社保/公积金 | 缴费基数、连续缴费月数、单位名称 | 收入水平锚定、职业稳定性判断 |
| 司法/黑名单 | 失信被执行人记录、涉诉案件数量、行政处罚记录 | 高风险客群一票否决 |
合规红线：第三方数据接入必须遵循《个人信息保护法》和《征信业管理条例》，确保数据来源合法、用户授权清晰、使用范围限定在风控建模目的内。严禁直接使用原始手机号、身份证号等敏感字段作为模型特征，需先进行脱敏或衍生变量转换。
3.4 数据源融合架构
下图展示风险定价样本构建中，内部数据、外部数据与第三方数据源的融合流程与层级关系。
3.5 数据源选择决策矩阵
在实际项目中，数据源的选择需综合考虑成本、覆盖度、时效性和合规风险。下表给出不同场景下的推荐组合。
| 业务场景 | 推荐数据源组合 | 核心关注指标 | 成本等级 |
|---|---|---|---|
| 新客首贷 | 外部征信 + 多头 + 运营商 | 征信查询次数、多头平台数、在网时长 | 中 |
| 存量客户提额 | 内部交易 + 行为 + 社保 | 近6月交易增长率、登录活跃度、缴费基数 | 低 |
| 高风险客群排查 | 内部行为 + 司法黑名单 + 多头 | 异常登录频次、涉诉记录、近3天申请平台数 | 中高 |
| 优质客群精准定价 | 内部交易 + 征信 + 公积金 | 收入负债比、历史逾期天数、连续缴费月数 | 中 |
样本构建建议：在数据源接入初期，建议优先保证内部交易数据和外部征信数据的完整覆盖，这两类数据对模型区分度的贡献通常占70%以上。第三方数据作为补充增强，可在模型迭代阶段逐步引入，避免一次性接入过多数据源导致样本质量失控。