1. 课程导览：风控数据质量沙盘推演工具的背景、目标与适用人群
1.1 背景：为什么需要风控数据质量沙盘推演？
在信贷、支付、保险等金融风控场景中，数据质量直接决定模型效果与决策准确性。传统的数据质量检测多采用“事后检查 + 离线报表”模式，存在三大痛点：
- 发现滞后：数据问题暴露时，往往已对业务造成实际损失；
- 影响难量化：单条数据异常对风控策略的传导效应缺乏可视化评估；
- 修复成本高：缺乏模拟环境，修复方案只能上线验证，试错代价大。
沙盘推演工具正是为解决上述问题而生——它允许风控团队在安全、隔离的仿真环境中，主动注入数据质量问题，观察其对策略、模型、决策链路的连锁影响，从而在问题发生前完成治理预案的验证与优化。
核心洞察： 数据质量治理正从“被动响应”转向“主动推演”，沙盘推演是连接数据治理与风控决策的关键桥梁。
1.2 目标：沙盘推演工具要解决什么？
本课程围绕沙盘推演工具，设定以下四层目标：
| 目标层级 | 具体描述 | 交付物 |
|---|---|---|
| 认知层 | 理解数据质量问题的分类、成因及其在风控链路中的传导机制 | 问题分类图谱 + 传导路径图 |
| 操作层 | 掌握沙盘推演工具的安装、配置、数据注入与推演执行 | 操作手册 + 推演模板 |
| 分析层 | 学会解读推演报告，定位根因，量化影响范围与严重程度 | 推演报告模板 + 根因分析清单 |
| 治理层 | 基于推演结果制定数据质量治理策略，并验证修复效果 | 治理策略看板 + 修复验证流程 |
通过这四层递进，学员将具备从“发现问题”到“模拟影响”再到“制定方案”的完整闭环能力。
1.3 适用人群：谁需要这门课程？
本课程面向以下三类核心角色：
- 风控策略分析师：需要评估数据异常对审批通过率、坏账率等核心指标的影响，优化策略阈值；
- 数据治理工程师：负责数据质量监控、清洗与标准化，需要验证治理规则的有效性；
- 风控模型开发人员：关注特征数据质量对模型稳定性和区分度的影响，辅助特征工程与模型迭代。
建议： 如果你是风控团队的管理者，也推荐参与前两章内容，了解沙盘推演如何辅助数据治理决策与资源投入规划。
1.4 沙盘推演工具整体架构
下图展示了沙盘推演工具的核心模块及其在风控数据治理中的定位：
1.5 课程内容速览
本课程共 30 章，按“基础 → 操作 → 分析 → 治理 → 实战”五阶段组织：
| 阶段 | 章节范围 | 核心内容 |
|---|---|---|
| 基础篇 | 第 1–5 章 | 数据质量分类、沙盘推演原理、工具安装与配置 |
| 操作篇 | 第 6–12 章 | 数据注入操作、推演场景搭建、参数配置与执行 |
| 分析篇 | 第 13–19 章 | 推演报告解读、影响量化、根因分析、风险评级 |
| 治理篇 | 第 20–25 章 | 治理策略制定、修复验证、监控看板、持续改进 |
| 实战篇 | 第 26–30 章 | 综合案例演练、团队协作、常见问题与最佳实践 |
注意： 建议按顺序学习，前五章为基础概念与工具准备，跳过可能导致后续操作章节理解困难。实战篇需要完成前四阶段的学习。
1.6 学习路径建议
根据角色不同，推荐以下学习路径：
- 风控策略分析师：重点学习第 1–4 章（基础）、第 6–12 章（操作）、第 13–16 章（分析），快速掌握推演执行与结果解读；
- 数据治理工程师：全面学习所有章节，尤其关注第 17–19 章（根因分析）和第 20–25 章（治理策略与修复验证）；
- 风控模型开发人员：侧重第 1–3 章（基础）、第 6–9 章（数据注入）、第 13–15 章（影响量化），理解数据质量对模型特征的影响。