1. 课程导论：风控模型数据准备的重要性、课程目标与适用人群、整体学习路径概览
1.1 为什么数据准备是风控模型的“生死线”
在信贷、保险、反欺诈等金融风控场景中，模型的表现上限往往在数据准备阶段就已经决定。业界有句共识：“垃圾进，垃圾出”。无论算法多么先进，如果训练数据存在缺失、标签错误、特征泄漏或样本偏差，最终上线的模型都会在真实业务中产生不可控的损失。
数据准备在风控建模中的核心价值体现在以下三个维度：
| 维度 | 具体影响 | 典型后果（数据准备不足时） |
|---|---|---|
| 模型性能 | 区分度（KS/AUC）、稳定性（PSI） | KS 虚高但上线后断崖式下跌，或 AUC 始终低于 0.65 |
| 业务合规 | 公平性、可解释性、监管报送 | 因特征包含敏感属性（如性别、地域）导致监管处罚 |
| 开发效率 | 特征迭代周期、模型部署速度 | 80% 时间花在数据清洗和排查上，模型迭代以月为单位 |
📌 关键认知： 数据准备不是“预处理”的附属环节，而是风控模型工程中独立且优先级最高的阶段。一个经过严格治理的数据集，可以让逻辑回归达到甚至超过未治理数据的 XGBoost 效果。
1.2 课程目标与适用人群
本课程旨在系统性地解决风控建模中数据层面的核心痛点，帮助学员建立从原始数据到高质量训练集的完整工程化能力。
课程三大目标
- 掌握数据治理框架： 理解数据质量评估、缺失值处理、异常值检测、重复数据去重等标准流程，并能针对风控场景（如多头借贷数据、征信数据）制定治理策略。
- 精通特征工程与标签设计： 学会从原始行为数据中衍生出强区分度的特征，并掌握好坏样本定义、观察期与表现期切分、样本权重调整等标签设计方法。
- 规避数据泄漏与样本偏差： 识别并消除时间穿越、特征泄漏、幸存者偏差等致命问题，确保训练数据能够真实反映未来业务分布。
适用人群
- 初级/中级风控建模师： 希望提升模型稳定性与上线成功率，补齐数据工程短板。
- 数据科学家与算法工程师： 需要深入理解风控业务逻辑，避免在金融场景中踩数据坑。
- 数据治理与 BI 分析师： 希望从“报表支持”转向“模型驱动”，理解数据治理在风控中的高阶应用。
- 风控策略与产品经理： 需要与建模团队高效协作，理解数据准备对策略效果的影响。
1.3 整体学习路径概览
本课程共 30 章，按照风控模型数据准备的自然流程分为五个阶段。下图展示了从原始数据到建模就绪数据集的完整路径：
1.4 各阶段核心内容速览
| 阶段 | 章节范围 | 核心交付物 | 关键技能 |
|---|---|---|---|
| 一、数据治理与清洗 | 第 2-7 章 | 干净、一致、完整的宽表 | 缺失值插补、异常值截断、重复去重、数据标准化 |
| 二、标签与样本设计 | 第 8-12 章 | 好坏样本定义、观察期/表现期切分 | 滚动时间窗口、Vintage 分析、样本权重调整 |
| 三、特征工程与衍生 | 第 13-19 章 | 高区分度特征集（WOE/IV/聚合特征） | 分箱、时序特征、交叉特征、文本特征 |
| 四、数据质量验证 | 第 20-24 章 | 数据泄漏检测报告、样本偏差评估 | 时间穿越检测、PSI/CSI 计算、回溯测试 |
| 五、数据交付与监控 | 第 25-30 章 | 数据字典、版本管理、线上监控看板 | 数据血缘追踪、特征存储、漂移告警 |
💡 学习建议： 建议按照阶段顺序学习，但如果你当前正面临“模型上线后不稳定”的问题，可以直接跳到阶段四（数据质量验证）和阶段五（数据交付与监控）优先阅读。每个章节末尾都配有实战代码示例和自查清单，方便你对照自己的项目进行改进。
1.5 课程特色与学习约定
- 实战驱动： 每章均基于真实风控脱敏数据，提供可复现的 Python 代码（以 Pandas、NumPy、Scikit-learn 为主）。
- 避坑指南： 专门标注风控建模中 20+ 个常见数据陷阱（如“用未来数据预测未来”、“样本不平衡导致过拟合”等）。
- 交付物导向： 每阶段结束时，你都将产出一个可直接用于建模的数据集或验证报告。
准备好开始这段数据治理与风控建模的进阶之旅了吗？让我们从第 2 章——数据源探查与质量初评——正式启程。