3、特征服务合规风险识别

特征服务贯穿数据采集、加工、存储、传输及模型使用的全生命周期，每个环节均面临特定的合规风险。本章从四个核心维度系统梳理风险点，为后续审计控制措施的设计奠定基础。

3.1 数据采集合规风险

数据采集是特征服务的入口，也是合规风险的高发区。主要风险集中在授权同意、最小必要原则及敏感信息处理三个方面。

3.2 特征加工合规风险

特征加工环节的风险往往隐蔽性较强，涉及数据衍生、聚合计算及衍生变量生成过程中的合规边界问题。

• 数据衍生合规风险：对原始数据进行二次计算后，若衍生特征仍可反向识别到具体个人，则仍属于个人信息，需遵循同等保护要求。例如，将“近3个月消费金额均值”与“用户ID”关联存储时，该特征仍受个人信息保护约束。
• 聚合特征泄露风险：基于群体统计值（如“所在小区平均逾期率”）生成的特征，若群体规模过小（如少于5人），可能通过差分攻击推断个体信息。
• 特征工程中的偏见引入：加工逻辑若包含地域、性别、年龄等敏感维度，可能构成算法歧视，违反《关于加强互联网信息服务算法综合治理的指导意见》中关于公平性的要求。

3.3 特征存储与传输合规风险

特征数据的存储与传输环节直接关系到数据安全与跨境合规，是监管检查的重点领域。

3.4 模型使用合规风险

特征服务最终服务于信用评分模型，模型使用阶段的合规风险直接影响业务决策的合法性。

模型使用环节的合规风险可归纳为以下四类：

1. 算法歧视风险：模型使用的特征若包含或代理了受保护属性（如性别、民族、户籍），可能导致评分结果存在系统性偏差，违反《征信业管理条例》关于公平授信的要求。
2. 可解释性缺失风险：使用深度学习等黑箱模型时，若无法向用户解释评分依据，可能违反《个人信息保护法》第24条关于自动化决策透明度的规定。
3. 模型漂移风险：模型上线后未定期监控特征分布与模型效果，导致评分结果偏离预期，可能引发监管对模型治理有效性的质疑。
4. 决策透明度不足：信贷审批拒绝时未向用户提供具体原因或申诉渠道，违反《商业银行互联网贷款管理暂行办法》第19条。

3.5 风险识别总结矩阵

为便于审计人员快速定位风险点，下表汇总了四个环节的关键风险与控制目标：