第1章：数据源盘点——冷启动的“米”从哪来？
做评分卡模型，圈里人都知道一句话：“巧妇难为无米之炊”。
这个“米”，就是数据。冷启动阶段，没有历史表现数据，没有成熟的样本标签，你手头能依赖的，就是这些零零散散的数据源。我见过太多团队，一上来就调参数、选算法，结果数据质量一塌糊涂，模型上线就崩。说白了，数据源盘点，是冷启动最苦最累、但也最值钱的活儿。
核心观点：冷启动阶段，数据源的质量直接决定了评分卡的天花板。宁可花70%的时间在数据盘点上，也别急着建模。
1.1 内部数据：你的“自留地”
内部数据，就是你自己系统里攒下来的东西。冷启动时，这部分数据最可控，也最容易被忽视。
1.1.1 申请信息
用户填表时留下的。姓名、身份证、手机号、住址、工作单位、收入……这些是评分卡最基础的变量。我个人习惯，拿到申请信息后，先做三件事：
- 完整性检查：必填字段缺失率超过30%？那这个字段基本废了。
- 逻辑校验：年龄和收入是否匹配？比如填了18岁，年收入100万，你信吗？
- 重复率分析：同一个手机号出现多次？嗯，可能是中介包装的单子。
我的经验：有一次做项目，发现申请信息里“单位电话”字段缺失率高达60%。后来一查，是前端表单设计有问题，用户不填也能提交。这种坑，数据盘点阶段就得揪出来。
1.1.2 行为数据
用户在你产品里的操作轨迹。比如登录频率、浏览时长、点击行为、借款历史、还款记录等。冷启动时，行为数据往往很少，但价值极高。
为什么？因为行为数据反映的是“真实意图”，而不是“嘴上说的”。
- 登录频次：一天登录10次但不借款？可能是来薅羊毛的。
- 借款历史：借了又还，还了又借，循环贷？这类用户风险往往偏高。
- 还款行为：每次都提前还款？不一定好，可能是资金充裕，也可能是想养额度。
注意：行为数据容易受产品设计影响。比如你改了APP的登录流程，登录率突然下降，这不代表用户变懒了，而是产品体验变差了。分析时一定要结合业务背景。
1.2 外部数据：借力打力
内部数据不够用，就得向外借。外部数据是冷启动阶段最常用的“补丁”。
1.2.1 征信数据
央行征信、百行征信、朴道征信……这些是硬通货。征信报告里，逾期记录、负债情况、查询次数，都是评分卡的强变量。
但征信数据有个问题：覆盖不全。很多年轻用户、蓝领用户，征信报告是“白户”。我遇到过一家消金公司，白户占比超过40%，征信数据基本没用。
1.2.2 多头数据
用户同时在多少个平台借过钱？这个指标，在冷启动阶段比征信还管用。
- 多头借贷数：近7天申请超过3家？风险信号。
- 多头共债比：同时在5个以上平台有未结清贷款？大概率是“以贷养贷”。
- 多头查询频次：一天被查10次？可能是中介在批量操作。
避坑指南：我曾经遇到一个案例，多头数据里显示用户只在2个平台借过款，风险评分很低。结果后来发现，这2个平台都是高利贷，用户已经借了10万，月息30%。所以，多头数据不仅要看“数量”，还要看“质量”——平台类型很重要。
1.2.3 黑名单数据
法院失信被执行人、网贷黑名单、欺诈团伙名单……这些是“一票否决”的数据。只要命中，直接拒绝。
但黑名单也有坑：
- 时效性：有些黑名单是3年前的，用户可能已经还清了。
- 覆盖范围：不同数据源的黑名单重叠率很低，单一来源容易漏掉。
- 误杀风险：同名同姓、身份证号相似，都可能误杀。我建议，黑名单命中后，一定要人工复核。
1.3 数据质量评估：别让垃圾数据毁了模型
数据源盘点完了，下一步就是评估这些数据能不能用。我总结了一个“四步评估法”：
- 完整性：缺失率多少？超过50%的字段，直接放弃。
- 准确性：数据是否真实？比如年龄填了200岁，明显是错的。
- 一致性：同一字段在不同数据源里是否一致？比如身份证号在申请表和征信报告里不一样，那就有问题。
- 时效性：数据是否够新？3个月前的多头数据，基本没参考价值。
| 评估维度 | 指标 | 阈值建议 | 处理方式 |
|---|---|---|---|
| 完整性 | 缺失率 | <30% | 缺失率高的字段，考虑删除或填充 |
| 准确性 | 异常值比例 | <5% | 异常值做截断或剔除 |
| 一致性 | 跨源匹配率 | >90% | 匹配率低的，检查数据源对齐逻辑 |
| 时效性 | 数据新鲜度 | <30天 | 过时数据，考虑降权或弃用 |
小技巧：数据质量评估，我习惯用Python写一个自动化脚本。每天跑一遍，输出一个质量报告。这样哪个字段出问题，一眼就能看到。
1.4 可用性分析：数据能用，但能用多久？
数据质量过关了，还得看“可用性”。说白了，就是这些数据能不能支撑模型上线，以及能支撑多久。
- 样本量：冷启动阶段，样本量通常很小。我建议，至少要有1000条以上有效样本，才能开始建模。少于500条，模型基本是瞎猜。
- 变量稳定性：有些变量，比如“近7天申请次数”，波动很大。今天均值是2，明天变成10，那模型就废了。我习惯用PSI（群体稳定性指标）来监控，PSI大于0.25的变量，直接剔除。
- 业务可解释性：数据再好，如果业务方看不懂，也没用。比如“用户画像标签”这种黑盒变量，我一般不用。评分卡讲究的是“白盒”，每个变量都要能说清楚为什么。
警告：冷启动阶段，千万别贪多。变量不是越多越好。我见过一个团队，堆了200多个变量，结果模型过拟合，上线后一塌糊涂。记住：少即是多。
1.5 知识体系总览
下面这张图，是我自己总结的数据源盘点框架。你想想看，从内部到外部，从质量到可用性，每一步都环环相扣。
嗯，这张图基本把本章的核心逻辑串起来了。从内部数据到外部数据，再到质量评估和可用性分析，每一步都是冷启动的基石。我个人习惯，每次做新项目，都会先画这样一张图，把数据源理清楚，再动手建模。
最后说一句：数据源盘点，没有捷径。你花的时间越多，后面建模就越顺。我曾经因为偷懒，跳过了数据质量评估，结果模型上线后，坏账率飙升了3倍。从那以后，我再也不敢省这一步了。