第一章：数据获取与业务理解

做风控模型，最怕什么？

不是算法不够炫，也不是代码写得不够快。而是——你连业务都没搞明白，就开始调参了。

我见过太多人，上来就撸XGBoost，结果特征全是垃圾，模型自然一塌糊涂。所以，第一章咱们先不急着写代码。先聊聊小微企业信贷这个场景，到底是怎么回事。

1.1 小微企业信贷业务场景分析

小微企业，说白了就是那种“老板即公司”的实体。公司账上可能就三五个人，流水也不大，但人家确实在经营。

这类客户有个特点：信息不对称极其严重。大企业有审计报告、有评级、有公开财报。小微企业呢？可能连个像样的财务报表都没有。

所以，银行或者金融机构给小微企业放贷，本质上是在做一件事：用有限的信息，判断这个老板会不会还钱。

我个人习惯把小微企业信贷场景拆成三个维度来看：

• 经营稳定性：生意是不是持续在做？有没有淡旺季？
• 还款意愿：老板人品怎么样？有没有历史逾期？
• 还款能力：账上现金流够不够覆盖月供？

你想想看，这三个维度，其实对应着不同的数据源。经营稳定性看流水和税务，还款意愿看征信，还款能力看流水和负债。

1.2 数据来源：银行流水、税务、工商、征信

数据从哪里来？这是做模型的第一步。我整理了一下，常见的数据源大概有这四类：

数据源	核心字段	能看出什么
银行流水	交易金额、余额、对手方	现金流、经营稳定性、资金归集情况
税务数据	纳税额、纳税评级、申报收入	真实经营规模、合规性
工商信息	注册资本、股东、变更记录	公司存续状态、股权结构
征信报告	贷款记录、逾期记录、查询次数	还款意愿、负债水平

嗯，这里要注意一点：数据不是越多越好。我在项目中遇到过，有些团队把几十个字段全塞进模型，结果过拟合得一塌糊涂。数据质量比数量重要得多。

1.3 定义目标变量：违约 vs 非违约

目标变量，就是模型要预测的那个东西。在小微企业场景里，通常就是“会不会违约”。

但这里有个坑：什么叫违约？

不同机构定义不一样。有的认为逾期30天就算违约，有的要等到90天。我个人习惯用逾期90天以上作为违约标准。为什么？因为30天的逾期，很多时候是忘了还，或者资金周转临时紧张，不代表真的还不上。

定义目标变量时，我建议遵循几个原则：

• 业务可解释：定义要跟业务方达成一致，别自己拍脑袋
• 样本量充足：违约样本太少，模型学不到东西。一般要求违约率在3%-10%之间
• 时间窗口清晰：比如“放款后12个月内是否违约”，这个窗口要固定

1.4 数据字典与字段含义解读

数据字典，就是字段的说明书。没有它，你连数据里存的是什么都不知道。

我举个例子，银行流水数据里常见的字段：

字段名	含义	示例值
trans_date	交易日期	2024-01-15
trans_amount	交易金额（正为收入，负为支出）	50000.00
balance	交易后余额	120000.00
counterparty	对手方名称	XX科技有限公司
trans_type	交易类型（转账、消费、取现等）	转账

你看，光一个“交易金额”，就能衍生出很多特征：月均收入、月均支出、最大单笔支出、收入波动率……这些才是模型真正需要的东西。

我个人习惯，拿到数据字典后，先做一件事：把每个字段的缺失率、唯一值个数、分布情况跑一遍。这样能快速发现数据质量问题。比如某个字段缺失率超过80%，那基本可以放弃了。

1.5 本章知识体系

下面这张图，是我对本章内容的总结。你可以把它当作一个思维导图来看：

这张图把本章的核心内容串起来了。从业务场景出发，到数据来源，再到目标变量和数据字典，每一步都环环相扣。你想想看，如果业务场景没搞懂，后面定义的目标变量可能就是错的。数据来源没搞清楚，特征工程就是空中楼阁。

所以，别急着写代码。先把这些基础打牢。