3. 风控数据概述：信贷数据字段解读、用户画像特征、行为序列特征、标签定义（好/坏客户）
在构建信贷风控模型之前，理解数据的来源、含义与结构是决定模型上限的关键步骤。本章将系统梳理信贷场景下的核心数据字段、用户画像特征、行为序列特征以及好坏客户的标签定义逻辑，为后续的LightGBM特征工程与人群切片打下坚实基础。
3.1 信贷数据字段全景
信贷数据通常来源于用户申请表单、征信报告、第三方数据源以及平台内部的历史行为日志。根据数据在风控流程中的角色，可将其分为四大类：
| 数据类别 | 典型字段 | 风控含义 |
|---|---|---|
| 身份信息 | 年龄、性别、婚姻状况、学历、居住城市 | 基础人口统计学画像，用于判断用户稳定性 |
| 资产与收入 | 月收入、房产/车辆资产、公积金基数、社保缴纳年限 | 评估还款能力与负债承受力 |
| 信用历史 | 征信查询次数、逾期记录、信用卡使用率、贷款笔数 | 反映用户过往信用行为与违约倾向 |
| 行为日志 | 登录频次、浏览时长、申请设备ID、IP地址变更 | 识别欺诈行为与异常操作模式 |
实战要点：原始字段往往存在大量缺失值、异常值和重复记录。在特征工程阶段，需对每个字段进行缺失率统计、分布检验与业务逻辑校验，避免脏数据直接进入LightGBM模型。
3.2 用户画像特征体系
用户画像特征是对原始字段进行加工与聚合后形成的结构化特征，通常包含以下维度：
- 人口统计学特征：年龄分段（如20-25岁、26-35岁）、学历等级（高中/大专/本科/硕士+）、婚姻状态（已婚/未婚/离异）。
- 收入与负债特征：收入负债比（月还款额/月收入）、收入稳定性（近6个月收入标准差）、信用卡使用率（已用额度/总额度）。
- 社交与稳定性特征：居住时长、工作单位变更次数、紧急联系人数量、通讯录中黑名单人数占比。
- 设备与网络特征：设备型号、操作系统版本、是否使用模拟器、GPS定位与申请地址一致性。
特征工程提示：用户画像特征中，收入负债比和信用卡使用率是LightGBM模型中重要性排名靠前的强特征。建议对连续型特征进行分箱（如等频分箱、卡方分箱）后再输入模型，以提升非线性拟合能力。
3.3 行为序列特征
行为序列特征是基于用户在一段时间内的操作日志，按时间顺序提取的统计与模式特征。这类特征能有效捕捉用户的意图变化与风险演化趋势。
常见的行为序列特征包括：
- 频次统计：近7天/30天登录次数、申请次数、修改个人信息次数。
- 时间间隔：相邻两次操作的平均间隔、最大间隔、间隔标准差。
- 行为模式：是否在凌晨操作（0:00-5:00）、操作时段集中度（白天/夜晚占比）、操作路径是否异常（如跳过关键页面）。
- 设备关联：同一设备关联的申请人数、设备更换频率、IP地址城市变更次数。
3.4 标签定义：好客户与坏客户
标签定义是风控模型的核心，直接决定了模型的学习目标与业务效果。在信贷场景中，通常采用以下标准定义好坏客户：
| 标签类别 | 定义标准 | 常见阈值 | 适用场景 |
|---|---|---|---|
| 好客户 | 在观察期内按时还款，无逾期或逾期天数在容忍范围内 | 逾期≤30天且已结清 | 信用评分卡、额度审批 |
| 坏客户 | 在观察期内出现严重逾期、失联或核销 | 逾期≥90天或核销 | 违约预测、催收优先级 |
| 灰客户 | 逾期天数介于好与坏之间，或存在其他风险信号 | 30天 < 逾期 < 90天 | 拒绝推断、模型校准 |
标签定义陷阱：在实际业务中，观察期长度（如6个月、12个月）和表现期长度（如3个月、6个月）的选择会显著影响坏客户的比例。观察期过短可能导致坏客户未被充分暴露，造成标签噪声；观察期过长则可能引入样本偏差（早期用户与近期用户行为不一致）。建议通过滚动窗口验证确定最优观察期。
3.5 标签与特征的关联关系
在完成特征构建与标签定义后，需要验证特征与标签之间的区分能力。常用的验证方法包括：
- IV值（Information Value）计算：衡量每个特征对好坏客户的区分能力，IV > 0.3 为强特征，0.1-0.3 为中等特征。
- PSI（Population Stability Index）监测：评估特征在训练集与测试集之间的分布稳定性，PSI < 0.1 表示稳定。
- 相关性分析：计算特征之间的皮尔逊相关系数或斯皮尔曼秩相关系数，避免多重共线性影响LightGBM的树分裂效果。
实战建议：在LightGBM建模前，建议先使用IV值筛选出前20-30个强特征，再结合PSI剔除分布不稳定的特征。对于相关性过高的特征对（|r| > 0.8），保留IV值较高的一个即可，避免树模型在分裂时重复选择相似特征。