切片维度基础:用户画像、行为与信用三维度

风控人群切片的核心在于选择正确的维度对用户进行划分。维度选择直接决定了切片是否具有业务解释力、统计显著性和可干预性。本章系统讲解三大基础维度:用户画像维度、行为维度和信用维度,并给出每个维度的典型字段、适用场景与注意事项。

2.1 用户画像维度

用户画像维度是切片最基础的入口,通常来源于用户注册信息、实名认证数据或第三方人口属性数据。这类维度稳定、不易频繁变化,适合做长期策略的底层切片。

子维度 典型字段 切片粒度建议 风控应用场景
年龄 出生日期、年龄区间 5岁一组(18-22, 23-27, 28-32…) 不同年龄段逾期率差异显著,年轻客群多头借贷比例高
性别 男、女、未知 二分类 + 缺失值单独处理 部分场景女性还款意愿略高于男性,但需避免偏见
地域 省份、城市、区县、IP归属地 省级 + 城市等级(一线/二线/三线) 欺诈高发区域、逾期率地域差异、催收属地化策略
职业/学历 职业类别、最高学历 白领/蓝领/自由职业/学生 收入稳定性评估,学历与逾期率存在弱负相关
实践要点:用户画像维度虽然稳定,但存在自报偏差(用户填写虚假信息)和缺失值问题。建议在切片前对画像字段做交叉验证(如年龄与学历的逻辑校验),并将缺失值作为独立切片组处理,不要直接丢弃。
用户画像维度结构 用户画像 年龄 性别 地域 职业/学历 说明: • 年龄和地域是区分度最高的画像维度,建议优先纳入切片体系。 • 性别维度需谨慎使用,避免合规风险;建议仅用于内部监控,不用于授信决策。

2.2 行为维度

行为维度反映用户在产品内的实时或近实时表现,是动态切片的核心。相比画像维度,行为维度变化更快、与风险的相关性更强,但同时也更容易受到短期波动和季节性影响。

子维度 典型字段 切片粒度建议 风控应用场景
活跃度 近7日/30日登录天数、日均使用时长 高活跃/中活跃/低活跃/沉睡 活跃度骤降可能预示用户流失或还款意愿下降
交易频次 近30日交易笔数、交易金额、交易类型 高频/中频/低频 + 金额分层 交易频次异常升高可能为刷单或欺诈信号
设备行为 设备更换频率、越狱/ROOT状态、模拟器检测 正常设备/可疑设备/高风险设备 设备指纹异常是团伙欺诈的重要识别信号
交互行为 客服咨询次数、投诉记录、页面停留时长 无交互/正常交互/频繁交互 频繁咨询还款或投诉可能预示资金紧张
注意:行为维度切片容易受到时间窗口选择的影响。例如,近7日活跃度在节假日期间可能整体偏低,此时不宜直接与工作日阈值对比。建议对行为维度做同比或环比归一化后再进行切片划分。

2.3 信用维度

信用维度是风控切片中最具预测力的维度,直接反映用户的历史履约能力和当前负债水平。信用维度通常来自内部历史表现和外部征信数据。

子维度 典型字段 切片粒度建议 风控应用场景
历史逾期 M0/M1/M2+ 逾期次数、最大逾期天数 无逾期/轻微逾期(1-29天)/严重逾期(30天+) 历史逾期是未来逾期的最强预测因子
征信查询 近3个月/6个月征信查询次数 0次/1-3次/4-6次/7次以上 查询次数过多表明用户多头借贷风险高
负债水平 总负债金额、负债收入比(DTI) 低负债/中等负债/高负债/极高负债 DTI超过50%的用户违约概率显著上升
信用评分 内部评分卡得分、外部征信评分 按百分位切分(0-20%/20-40%/…) 评分分段是切片后评估策略效果的核心基准
核心原则:信用维度切片应遵循“先粗后细”原则。初期建议使用历史逾期+征信查询次数两个字段做二维交叉切片,后续再逐步加入负债水平和信用评分,避免一开始就过度细分导致样本量不足。
风控人群切片三维度融合架构 用户画像维度 行为维度 信用维度 年龄 地域 活跃度 交易频次 历史逾期 征信查询 三维度交叉切片 → 用户风险分层 切片效果评估与策略调优

2.4 三维度选择优先级与组合策略

在实际项目中,三个维度并非同等重要。根据大量风控实践的经验,建议按以下优先级进行切片维度选择:

  1. 第一优先级:信用维度——历史逾期和征信查询次数是区分度最高的单维度,优先纳入。
  2. 第二优先级:行为维度——活跃度和交易频次能捕捉近期风险变化,适合做动态切片。
  3. 第三优先级:用户画像维度——作为基础分层维度,适合做长期策略的底层框架。
推荐组合:初期切片方案建议使用 信用维度(历史逾期)+ 行为维度(近30日活跃度) 做二维交叉,形成 3×3=9 个基础切片组。待数据积累充分后,再叠加用户画像维度中的年龄或地域,扩展为三维切片。

2.5 维度切片的常见陷阱

陷阱 表现 解决方案
过度切片 切片组过多,每组样本量不足,统计不显著 控制切片组数在 10-20 组以内,确保每组至少 1000 个样本
维度冗余 两个维度高度相关(如年龄与收入),导致切片重叠 计算维度间相关系数,剔除相关性 >0.6 的冗余维度
忽略缺失值 缺失值被直接丢弃,导致切片偏差 将缺失值作为独立切片组,分析缺失模式是否与风险相关
静态切片 切片维度固定不变,无法捕捉用户状态变化 行为维度和信用维度应定期更新(如每月重切片一次)