接到有用数据的5个做法，让你不再头疼

“信用策略做得好的就一定能把欺诈策略做得好吗？”
“不是”

反欺诈的策略是定义NO的，找出不准入的人，比较像是排雷的过程。

信用策略一部分工作同样是定义NO，例如逾期天数限制、信贷申请次数限制，但信用策略更需要偏重于定义YES，也就是定义目标客群特征。

我们在定义NO时，需要接入数据源来辅助判断，那么头疼的问题来了：

如何接到有用的数据？

🌟做法1：确定一个拟测试数据的list，选取测试样本发过去，待测试样本返回后，运用单变量分析方法，确定ks/iv等高的数据对接；

🌟做法2：在样本选取上考虑信用与欺诈的区别，特别定义一批欺诈样本，进行做法1的测试；

🌟做法3：在做法2的基础上，按照数据功能模块，有针对性的选取数据厂商进行对比测试，加入到现有的反欺诈策略体系中，计算增益效果；

🌟做法4：分欺诈类型，如养卡模型、伪冒模型、中介模型，分别挑选样本，在做法3的基础上进行测试。

🌟做法5：在做法4的基础上，除进行单变量和增益计算外，还要考虑每类数据特征，如设备指纹数据的机型兼容率测试指标，制定差异化的评价指标。

上面列举的5种数据接入测试评价的方法，也是目前大多数机构在采用的方法，实际上每种做法都有一些细节需要考量。

以做法2为例，很多建模人员和策略人员并不会区分B样本的风险成因，据此编制的规则和模型就会存在一定的差异或者问题。

如果欺诈风险拦截发生在第一环节，那么一旦欺诈策略出现改动，进入到信用策略决策阶段的样本就会与训练和验证样本出现偏差，简单说就是模型或者是信用策略决策效果可能会下降，在复盘分析时会得出错误的或者是有偏的结论。

另外还会存在一个问题，当你在做变量构建或是衍生时，可挑选的基础变量呈现出的IV或是KS并不能代表欺诈属性的成色，有的变量在纯欺诈样本的表现可能可用，但是在综合样本上的表现却不尽如人意。

所以在接欺诈数据的流程上，需要分项测试，如下图。

而在数据或是技术评价时，要像下图一样制定如做法5一样差异化的评价指标，而不是唯统计学指标论，因为欺诈识别是特征识别，并不是绝对的量化分析，“欺诈/非欺诈”和“好/坏”并不可以划等号（深入理解一下）。关注【金科应用研院】，回复CSDN，免费领取风控干货礼包！