1. 沙盘推演概述：风控模型数据质量优化的背景、定义与价值

1.1 风控模型数据质量优化的背景

在信贷、保险、支付等金融业务中，风控模型是决策的核心引擎。然而，模型的实际表现高度依赖底层数据的质量。现实业务中，数据质量问题普遍存在，导致模型区分度下降、误判率上升，甚至引发合规风险。

常见的数据质量问题包括：

• 缺失值泛滥： 关键字段（如收入、负债率）缺失率超过 30%，导致模型无法有效计算评分。
• 异常值干扰： 极端值（如年龄 200 岁、月收入 1 亿元）未被识别，拉偏模型权重。
• 逻辑不一致： 婚姻状态为“未婚”但子女数为 3，或贷款金额为负值。
• 时间戳错乱： 申请时间晚于审批时间，或历史逾期记录时间戳缺失。
• 特征漂移： 数据分布随时间发生结构性变化，模型未及时适应。

1.2 沙盘推演的定义与价值

沙盘推演 是一种模拟真实业务场景的沉浸式教学方法。在风控模型数据质量优化领域，沙盘推演通过构建虚拟的“数据工厂”和“模型实验室”，让学员在安全环境中反复演练数据诊断、清洗策略制定、特征工程优化和模型迭代的全流程。

沙盘推演在数据质量优化中的独特价值体现在以下四个维度：

• 风险预演： 在模拟环境中测试不同数据清洗策略对模型性能的影响，避免在真实数据上“试错”。
• 决策可视化： 通过流程图和仪表盘，直观展示数据质量问题的传导路径和模型响应变化。
• 跨团队协作： 模拟数据工程师、模型开发人员、业务风控专家的协同工作流，打破部门壁垒。
• 经验沉淀： 将推演过程中的最佳实践固化为标准化操作手册，形成组织级知识资产。

1.3 课程整体框架与学习目标

本课程采用“理论-推演-复盘”三段式结构，共 30 章，覆盖从数据质量诊断到模型持续监控的全生命周期。

1.4 沙盘推演环境与角色设定

本课程沙盘推演环境模拟一家持牌消费金融公司的风控部门，包含以下核心角色：

• 数据工程师（Data Engineer）： 负责数据采集、清洗、特征加工，保障数据管道稳定。
• 模型开发人员（Model Developer）： 负责模型训练、验证、部署，关注模型性能指标。
• 风控策略分析师（Risk Strategy Analyst）： 负责制定审批策略、监控业务指标，平衡风险与收益。
• 数据治理专员（Data Governance Specialist）： 负责数据标准制定、质量监控、问题追踪。