4. 缺失数据产生原因：数据采集遗漏、系统对接故障、人工录入错误、时间窗口差异

在金融风控场景中，实体特征的缺失并非随机事件，而是由特定的业务与技术环节缺陷导致的。理解缺失数据的根本成因，是制定有效巡检策略的前提。本章将缺失数据的产生原因归纳为四大类：数据采集遗漏、系统对接故障、人工录入错误以及时间窗口差异。

4.1 四大成因对比总览

下表从定义、典型场景、影响范围及巡检难度四个维度，对四大成因进行横向对比，帮助建立全局认知。

4.2 成因一：数据采集遗漏

这是最基础也是最常见的缺失原因。当源系统在设计采集模板或埋点时，未将某个字段纳入采集范围，或者采集逻辑存在条件分支漏洞，就会导致该字段在目标系统中永久或间歇性缺失。

• 模板设计缺陷： 例如线上贷款申请表单未将“第二联系人手机号”设为必填项，导致大量记录该字段为空。
• 采集逻辑漏洞： 例如风控系统只对“企业客户”采集财务报表，但未处理“个体工商户”的分类，导致该类客户财务数据全部缺失。
• 版本迭代遗漏： 新版本APP上线后，旧版本埋点未同步升级，导致新功能产生的特征数据无法被采集。

4.3 成因二：系统对接故障

在微服务架构与多系统并行的金融环境中，系统间的数据交换是常态。对接故障是导致批量、突发性缺失的主要原因，对风控模型的稳定性冲击最大。

常见的对接故障类型包括：

1. 接口超时与重试失败： 调用外部征信或数据服务时，网络延迟或服务端负载过高导致请求超时，且重试机制未生效，返回空值。
2. 数据格式不兼容： 上游系统返回的日期格式为“YYYYMMDD”，下游系统期望“YYYY-MM-DD”，解析失败后该字段被置为NULL。
3. ETL任务中断： 批量数据同步过程中，因内存溢出、主键冲突或磁盘空间不足导致任务失败，部分分区数据未被加载。
4. 消息队列积压或丢失： 基于Kafka等消息队列的实时数据流，因消费者处理速度跟不上或消息过期，导致特征数据丢失。

4.4 成因三：人工录入错误

尽管自动化采集日益普及，但金融业务中仍存在大量需要人工介入的环节（如柜台录入、审批复核、合同签署）。人工操作的不确定性是导致数据缺失的另一个重要来源。

• 漏填： 操作员在压力下跳过非强制校验字段，导致关键信息（如职业、年收入）缺失。
• 误填： 将数字“0”与字母“O”混淆，或将日期格式填错，导致数据在后续解析时被识别为无效值而置空。
• 格式不规范： 例如电话号码中混入空格或短横线，导致系统校验失败，该字段被标记为缺失。

4.5 成因四：时间窗口差异

时间窗口差异是指数据在产生、传输、加工、落库等环节中，由于时间点未对齐而导致的“暂时性缺失”或“永久性缺失”。这在实时风控与离线批处理混合的架构中尤为突出。

典型场景包括：

1. 批处理时点前未完成： 每日凌晨2点进行日终跑批，但部分交易在1:55分才完成，尚未同步至数仓，导致当日快照中该笔交易的特征缺失。
2. 跨时区时间戳错位： 跨境业务中，交易发生时间（UTC+8）与风控系统时间（UTC+0）未做转换，导致按日期分区查询时数据落入错误分区，表现为缺失。
3. 实时与离线数据不一致： 实时流计算已更新客户额度，但离线批处理表尚未刷新，导致离线巡检时发现该客户额度字段为空。

4.6 成因识别与巡检策略对照

在实际巡检工作中，面对一个缺失字段，可以通过以下特征快速判断其所属成因类别，并采取对应的处理策略。