2. 风控数据采集偏差：数据源选择偏差、时间窗口偏差、渠道流量偏差、缺失值机制与偏差
在风控建模的生命周期中，数据采集是决定模型上限的第一道关卡。采集阶段引入的偏差具有隐蔽性强、传导链长的特点，往往在模型上线后才会通过客群分布漂移暴露出来。本章系统梳理四种核心采集偏差的来源、影响机制与识别方法。
2.1 数据源选择偏差
数据源选择偏差指建模时使用的样本来源无法代表目标总体，导致模型在真实客群上失效。常见场景包括：
- 仅使用自有平台数据：忽略未申请或未通过审核的客群，造成“幸存者偏差”。
- 过度依赖外部征信数据：征信覆盖人群偏向有信贷记录的“白名单”，忽略征信白户。
- 数据供应商样本偏移：不同数据源在年龄、地域、收入分布上存在系统性差异。
关键指标： 使用 PSI（群体稳定性指数） 对比建模样本与目标总体的特征分布差异。PSI > 0.1 时需警惕数据源选择偏差。
2.2 时间窗口偏差
时间窗口偏差源于建模样本的时间切片与业务实际应用周期不匹配。风控模型通常使用历史数据预测未来表现，但经济周期、政策调整、客群迁徙会随时间改变特征与标签的关系。
| 偏差类型 | 描述 | 典型场景 | 影响程度 |
|---|---|---|---|
| 窗口过短 | 观察期不足，无法捕捉完整违约周期 | 仅用 3 个月表现期建模 | 高 |
| 窗口过长 | 包含过时客群，特征关系已失效 | 使用 5 年前样本预测当前客群 | 中 |
| 时间漂移 | 模型训练期与验证期客群分布变化 | 疫情期间建模 vs 疫后应用 | 极高 |
| 截断偏差 | 表现期未结束即截断标签 | 用 6 个月表现期预测 12 个月违约 | 高 |
实践建议： 采用 滚动时间窗口验证（Rolling Window Validation），将训练集按时间顺序切分为多个窗口，分别评估模型在各窗口的稳定性。若相邻窗口的 KS 或 AUC 波动超过 0.05，需重新审视时间窗口选择。
2.3 渠道流量偏差
不同获客渠道（如线上广告、线下门店、合作方导流）带来的客群在信用风险分布上天然存在差异。若建模样本中某个渠道占比过高，模型会过度拟合该渠道的客群特征，导致在其他渠道上泛化能力不足。
- 渠道 A（高流量、低风险）：如头部互联网平台导流，客群收入稳定，违约率低。
- 渠道 B（低流量、高风险）：如短信营销或线下地推，客群资质参差，违约率高。
- 渠道 C（新渠道、无历史数据）：模型完全无法覆盖，需依赖迁移学习或领域自适应。
避坑提示： 不要简单按渠道比例进行随机采样。若渠道 B 样本量过少，应优先使用 分层采样 或 逆概率加权（Inverse Probability Weighting）来校正渠道偏差，而非直接丢弃小渠道样本。
2.4 缺失值机制与偏差
缺失值并非随机出现，其背后往往隐藏着与风险相关的信息。根据缺失机制的不同，对模型的影响也截然不同。
| 缺失机制 | 定义 | 风控示例 | 偏差风险 |
|---|---|---|---|
| MCAR （完全随机缺失） |
缺失与任何变量无关 | 系统随机丢包导致字段缺失 | 低 |
| MAR （随机缺失） |
缺失与其他观测变量相关 | 高收入人群更倾向不填写“月支出”字段 | 中 |
| MNAR （非随机缺失） |
缺失与缺失值本身相关 | 高风险用户故意隐瞒“逾期次数” | 极高 |
核心原则： 在风控场景中，MNAR 是最危险的缺失机制。直接删除含缺失值的样本会系统性剔除高风险客群，导致模型低估违约概率。建议对缺失率 > 5% 的字段单独构建“缺失指示变量”，并分析缺失样本与标签的关联强度。
2.5 四种偏差的联动效应与检测清单
实际风控项目中，四种偏差往往同时存在并相互放大。例如：渠道流量偏差导致数据源选择偏差，而时间窗口偏差又加剧了缺失值的非随机性。建议在数据采集阶段建立以下检测清单：
- 数据源覆盖度检查：对比建模样本与业务全量在年龄、地域、收入等核心特征上的 PSI。
- 时间窗口敏感性测试：使用 3/6/12 个月不同窗口训练模型，观察 KS 和 AUC 的波动范围。
- 渠道分布对齐：计算各渠道在建模样本与真实流量中的占比差异，差异 > 20% 需加权校正。
- 缺失机制诊断：对每个缺失字段，计算缺失样本的违约率 vs 非缺失样本的违约率，若差异显著（如 > 5%），则高度怀疑 MNAR。
工具推荐： 使用
missingno 库可视化缺失模式，结合 scipy.stats.mannwhitneyu 检验缺失组与非缺失组的标签分布差异，快速定位 MNAR 字段。