2. 风控数据全景：来源、类型与生命周期

风控系统的核心燃料是数据。要优化风控数据质量，首先必须建立完整的数据全景视图。本章从数据来源、数据类型和数据生命周期三个维度，构建风控数据的全局地图。

2.1 风控数据来源

风控数据按来源可分为三类：内部数据、外部数据和三方数据。每类数据在风控决策中扮演不同角色，其质量特征也各有差异。

2.2 数据类型：结构化、半结构化、非结构化

风控数据按结构特征可分为三种类型，不同类型的数据在存储、处理和质量评估上存在显著差异。

• 结构化数据：以关系型数据库表形式存储，如用户年龄、贷款金额、逾期天数。字段固定、格式统一，质量评估指标明确（完整性、准确性、唯一性）。
• 半结构化数据：包含标签或标记，但结构灵活，如 JSON 格式的征信报告、XML 格式的银行流水。字段可扩展，质量评估需关注嵌套层级和字段缺失。
• 非结构化数据：无预定义数据模型，如身份证照片、通话录音、客服聊天记录。质量评估依赖内容理解，需借助 OCR、NLP 等技术提取特征。

2.3 数据生命周期

风控数据从产生到退役经历完整的生命周期，每个阶段都存在数据质量风险。理解生命周期有助于精准定位质量问题的根因。

1. 数据采集：从用户输入、系统日志、API 接口等渠道获取原始数据。常见质量问题：字段缺失、格式错误、重复采集。
2. 数据存储：将数据写入数据库、数据湖或文件系统。常见质量问题：编码不一致、字段截断、分区错误。
3. 数据清洗：对原始数据进行去重、纠错、格式转换。常见质量问题：清洗规则过严导致数据丢失、规则过松导致脏数据残留。
4. 数据加工：通过 ETL 或特征工程生成风控指标。常见质量问题：计算逻辑错误、聚合口径不一致、衍生字段偏差。
5. 数据使用：风控模型、规则引擎、报表系统调用数据。常见质量问题：数据延迟、版本不一致、权限越界。
6. 数据归档/退役：历史数据迁移至冷存储或删除。常见质量问题：归档策略不合理导致查询困难、合规风险。

2.4 数据来源与类型的交叉矩阵

在实际风控场景中，数据来源和数据类型交叉组合，形成不同的数据治理单元。以下矩阵展示了常见组合及其典型质量挑战。