4、样本设计与定义：好客户/坏客户定义、观察期与表现期设定、样本抽样方法
好，咱们进入第四章。样本设计这块，说白了就是给模型「喂什么数据」的问题。我见过太多项目，模型算法选得再好，样本定义一塌糊涂，最后上线效果惨不忍睹。你想想看，地基没打好，房子能稳吗？
4.1 好客户与坏客户的定义
这是整个建模的起点。定义错了，后面全白搭。我个人习惯把「好/坏」定义分成三个层次：
- 业务层定义：跟业务方对齐，逾期多少天算坏？是30+、60+还是90+？
- 数据层定义：在数据表里怎么标记？用逾期天数字段还是用催收状态字段？
- 模型层定义：最终给模型喂的标签是0/1，还是多分类？
我在项目中遇到过最坑的事：业务方说「逾期30天就算坏」，结果数据里发现大量客户逾期29天就还款了，然后第31天又逾期。这种「反复逾期」的客户，你按30天一刀切，模型根本学不到真实风险。
常见的定义方式有这几种：
| 定义方式 | 说明 | 适用场景 |
|---|---|---|
| 逾期天数法 | 逾期≥X天即为坏 | 数据充足，逾期行为稳定 |
| 催收状态法 | 进入M3+催收阶段即为坏 | 催收流程标准化 |
| 损失金额法 | 实际损失超过阈值 | 大额信贷，关注实际损失 |
| 复合定义法 | 逾期天数+催收状态+损失金额 | 风控体系成熟 |
4.2 观察期与表现期设定
这个知识点，我当年刚入行时吃了不少亏。观察期和表现期，说白了就是「用哪段时间的数据去预测哪段时间的结果」。
- 观察期：用来提取特征的时间窗口。比如过去6个月的交易行为、还款记录。
- 表现期：用来判断客户好坏的时间窗口。比如未来12个月内是否逾期。
为什么会这样设定？你想想看，如果观察期和表现期重叠了，那就相当于「用今天的结果预测今天的结果」，模型会学到很多伪相关。我见过有人把观察期设成1个月，表现期设成3个月，结果模型上线后完全失效——因为1个月的数据根本看不出客户的还款意愿。
核心原则：观察期和表现期必须严格不重叠。观察期在时间轴上位于表现期之前。
具体怎么设？我一般遵循这个经验：
- 观察期长度：至少6个月，最好12个月。太短了特征不稳定，太长了数据稀疏。
- 表现期长度：根据产品周期来。信用卡一般12-24个月，消费贷6-12个月，房贷24-36个月。
- 时间窗口对齐：所有样本的观察期和表现期在时间轴上要一致。比如都是「2022年1月-6月观察，2022年7月-2023年6月表现」。
嗯，这里要注意：如果产品上线时间短，表现期不够长怎么办？我常用的方法是「滚动窗口法」——把时间轴切成多个重叠的窗口，每个窗口都做一次观察期+表现期的切片。这样能最大化利用有限的数据。
4.3 样本抽样方法
样本抽样，说白了就是「怎么从海量客户里挑出有代表性的那一批」。直接全量建模？数据量太大，计算资源扛不住。而且坏客户通常很少，直接建模模型会偏向好客户。
我常用的三种方法：
4.3.1 分层抽样
按某个关键特征（比如年龄、收入、地区）把客户分成若干层，每层内随机抽样。这样做的好处是：保证每个子群体都有代表性。
举个例子：
# 伪代码示例
# 按收入分层：低收入、中收入、高收入
# 每层抽取相同比例（比如20%）
low_income = df[df['income'] == 'low'].sample(frac=0.2)
mid_income = df[df['income'] == 'mid'].sample(frac=0.2)
high_income = df[df['income'] == 'high'].sample(frac=0.2)
sample = pd.concat([low_income, mid_income, high_income])
我在项目中遇到过：直接用随机抽样，结果抽出来的样本里高收入客户占比过高，模型对低收入客户预测不准。后来改成按收入分层抽样，问题就解决了。
4.3.2 过采样
坏客户太少？那就把坏客户复制几份，让模型「多看几眼」。常用的方法有：
- 随机过采样：简单复制坏客户样本
- SMOTE：在坏客户之间插值生成新样本
- ADASYN：根据难度自适应生成样本
4.3.3 欠采样
好客户太多？那就从好客户里随机扔掉一部分，让好客户和坏客户数量接近。缺点很明显：浪费数据。
我个人习惯的做法是「混合采样」：先对坏客户做SMOTE过采样，再对好客户做随机欠采样，让最终比例控制在1:2到1:5之间。这样既保留了坏客户的信息，又不会让好客户数据浪费太多。
4.4 本章知识体系
下面这张图，是我自己总结的样本设计全流程。你可以把它当成一个检查清单：
这张图我用了很多年，每次做新项目都拿出来对照一遍。你把它保存下来，做样本设计时逐项检查，基本不会出大问题。
最后说一句：样本设计没有标准答案。不同产品、不同数据、不同业务阶段，定义和抽样方法都要灵活调整。我见过有人把信用卡的坏客户定义直接套用到现金贷上，结果模型效果一塌糊涂。记住：理解你的业务和数据，比套用任何模板都重要。
公众号:蓝海数据掘金营，微信deep3321