4. 数据来源分类：内部业务数据、第三方征信数据、公开数据、设备指纹数据、社交网络数据

在风控模型训练中，数据来源的多样性与质量直接决定了模型的上限。不同来源的数据在覆盖度、时效性、真实性和获取成本上存在显著差异。本章将系统梳理五大核心数据来源，帮助你在建模初期建立清晰的数据选型框架。

4.1 五大数据来源全景对比

下表从关键维度对比了各类数据来源的特点，便于你在实际项目中快速评估数据适用性：

4.2 内部业务数据：模型训练的基石

内部业务数据是风控模型最可靠、最可控的数据来源。它直接反映了用户在你业务体系内的历史表现，具有不可替代的预测价值。

• 身份信息层： 姓名、身份证号、手机号、银行卡号——用于KYC核验和基础画像。
• 交易行为层： 交易金额、频次、时间分布、收款方特征——刻画用户资金流转习惯。
• 信贷表现层： 历史借款金额、还款期数、逾期天数、提前还款记录——最核心的Y标签来源。
• 交互行为层： 登录频次、页面停留时长、客服咨询记录——反映用户活跃度和异常行为。

4.3 第三方征信数据：外部验证的权威来源

第三方征信数据提供了跨机构的用户信用视图，能有效弥补内部数据覆盖不足的问题。在中国，征信体系以央行征信为核心，百行征信、朴道征信等市场化机构为补充。

4.4 公开数据：低成本补充信息源

公开数据主要来源于政府机构、司法系统和商业信息平台，虽然时效性相对滞后，但在识别企业风险、司法纠纷和行政处罚方面具有独特价值。

• 工商信息： 企业注册信息、股东结构、变更记录——用于企业贷和企业主身份核验。
• 司法涉诉： 开庭公告、裁判文书、执行信息——识别用户是否涉及重大法律纠纷。
• 行政处罚： 税务处罚、环保处罚、市场监管处罚——反映企业经营合规性。
• 被执行人信息： 失信被执行人名单、限制高消费名单——直接作为拒绝规则。

4.5 设备指纹数据：反欺诈的核心战场

设备指纹数据通过采集用户设备的硬件、软件和网络特征，生成唯一设备标识，在反欺诈场景中发挥着不可替代的作用。它能够有效识别设备农场、模拟器、改机工具等欺诈手段。

下图展示了设备指纹数据在风控模型中的典型应用架构：

4.6 社交网络数据：关系链中的风险信号

社交网络数据通过分析用户的通讯录、通话记录和社交关系图谱，能够发现个体无法体现的群体性风险。在团伙欺诈、多头借贷和失联修复场景中具有独特价值。

下图展示了社交网络数据在风控模型中的特征提取路径：

4.7 多源数据融合策略

在实际风控建模中，单一数据来源往往存在覆盖盲区或特征稀疏问题。多源数据融合能够显著提升模型的鲁棒性和区分度。以下是推荐的融合策略：

• 分层融合： 内部数据作为基础层，第三方征信作为验证层，设备指纹和社交数据作为增强层。
• 时间对齐： 不同来源数据的时间戳必须统一到同一时间窗口（如T日），避免未来信息泄露。
• 权重分配： 在模型训练中，内部数据特征赋予较高初始权重，外部数据通过交叉验证动态调整。
• 缺失处理： 对于第三方征信和社交数据，缺失本身可能包含信息（如未授权查询），建议单独编码为“未提供”类别。