1. 信用评分特征服务概述
1.1 信用评分模型的基本概念
信用评分模型是金融风控体系的核心定量工具，通过统计或机器学习方法，将借款人的历史行为、属性特征映射为一个数值分数，用以预测其未来违约概率或还款能力。评分模型通常分为以下几类：
| 模型类型 | 应用场景 | 典型输出 |
|---|---|---|
| 申请评分卡 (A卡) | 贷前准入、授信审批 | 申请通过/拒绝阈值 |
| 行为评分卡 (B卡) | 贷中额度管理、风险预警 | 额度调整系数 |
| 催收评分卡 (C卡) | 贷后催收策略、资产处置 | 催收优先级排序 |
评分模型的核心公式可简化为：
Score = Offset + Factor × ln(Odds)
其中：
- Odds = p/(1-p)，p 为违约概率
- Offset 为基准分数偏移量
- Factor 为刻度因子，控制分数变化与 Odds 翻倍的对应关系
合规要点：评分模型需满足可解释性要求，不得使用黑箱算法直接输出分数而不提供特征贡献度说明。监管机构通常要求模型具备可审计、可回溯、可验证的能力。
1.2 特征服务的定义与价值
特征服务是指将原始数据经过清洗、加工、衍生、标准化后，形成可直接用于模型推理的特征变量，并通过标准化接口对外提供实时或批量计算能力的中间层平台。特征服务并非简单的数据搬运，而是包含以下核心能力：
- 特征工程自动化：自动完成缺失值填充、异常值截断、分箱、WOE编码、标准化等操作。
- 特征版本管理：每个特征变量均记录创建时间、版本号、依赖数据源、衍生逻辑，支持回滚与对比。
- 实时计算引擎：支持毫秒级特征计算，满足贷前审批、交易反欺诈等低延迟场景。
- 特征血缘追踪：从原始数据到最终特征的全链路溯源，支撑审计与合规检查。
特征服务在信贷业务中的核心价值体现在三个维度：
| 价值维度 | 具体表现 |
|---|---|
| 效率提升 | 特征复用率提高 60% 以上，模型开发周期从月级缩短至周级 |
| 一致性保障 | 训练环境与生产环境特征计算逻辑完全一致，消除线上线下偏差 |
| 合规可审计 | 所有特征变更均有记录，满足数据安全法与个人金融信息保护要求 |
1.3 特征服务在信贷全生命周期中的位置
信贷全生命周期通常划分为贷前、贷中、贷后三大阶段，特征服务在每个阶段均承担关键角色。以下表格展示了特征服务在不同阶段的具体应用：
| 生命周期阶段 | 核心业务动作 | 特征服务输入 | 特征服务输出 |
|---|---|---|---|
| 贷前 | 申请准入、反欺诈、授信审批 | 身份信息、征信报告、设备信息 | 申请评分特征、欺诈评分特征 |
| 贷中 | 额度管理、风险预警、支用审批 | 还款行为、交易流水、多头借贷 | 行为评分特征、额度调整特征 |
| 贷后 | 催收策略、资产分类、核销决策 | 逾期天数、联系状态、还款意愿 | 催收评分特征、回收率预测特征 |
实践建议：特征服务应作为独立中间层部署，与业务系统解耦。这样当模型迭代或特征变更时，仅需更新特征服务配置，无需修改上游业务系统代码，大幅降低合规变更风险。
下图展示了特征服务在信贷全生命周期中的具体嵌入位置与数据流向：
合规风险提示：特征服务在贷前、贷中、贷后各阶段均涉及个人金融信息的处理。必须确保每个特征变量的数据来源合法、授权明确、使用目的与授权范围一致，不得超范围采集或使用特征数据。审计时应重点检查特征服务的数据授权协议与特征血缘记录是否完整。