信贷风控技术十分钟精通3（数据质量）-CSDN博客

本文链接：https://blog.csdn.net/qq_32146369/article/details/136081367

本文探讨了数据质量诊断在业务数据分析中的重要性，包括确保数据准确性、理解数据逻辑以及为模型设计提供依据。内容涵盖了业务发展、客群分布等分析内容，涉及频数统计、趋势分析等多种分析方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据质量诊断目的

在建模之前需要对数据进行探索和数据质量诊断，主要目的如下。

确保数据提取无误
- 通常提取数据并非由分析建模师自行完成，而是由数据分析建模师提出数据需求，由数据部门协助完成数据的提取工作。在此过程中，可能出现数据逻辑传达不清、理解不准确或者提取数据有技术性销误（编码错误、串行、串列、截断等）等问题，导致数据有误（操作型错误）。
理解数据逻辑
- 通过数据探索和质量诊断，可以更准确和深入地理解数据逻辑。对于数据逻辑的获得途径，一方面可以通过数据访谈，从数据拥有方和管理方进行了解；另一方面是获取数据之后自行探索数据，对之前了解的数据逻辑进行验证，或者探索性发现和确认数据逻辑。需要注意的是，通过数据拥有方和管理方获得的数据逻辑未必准确，因此自行对数据做进一步的检查和确认是有必要的。
检查数据质量和可用性
- 检查和分析数据质量，主要包括数据的正确性、完整性、数据的价值和可用性。
为模型设计提供依据
- 基于数据质量分析结果，重点确认样本量、好坏样本量是否充足等，判断是否足够支撑建模，为后续建模的样本范围确定提供依据。

在业务分析环节，数据分析师通常面临的问题是不知道要分析什么以及怎么分析

在完成数据预处理和数据质量诊断后，需要围绕建模目标，基于数据对业务进行初步分析，主要目的如下。

进一步理解业务逻辑
- 通过数据质量诊断可以理解数据逻辑，对业务逻辑的理解也是类似的，业务逻辑一方面是通过前期业务访谈，通过业务部门和数据部门进行了解；另一方面是获得数据之后，通过对数据进一步分析，对之前了解的业务逻辑进行验证，或者通过探索性分析发现和确认业务逻辑。需要特别注意的是，通过业务部门和数据部门获知的业务逻辑未必准确，所以自行基于数据分析进行业务理解是有必要的。
为模型设计提供依据
- 基于数据分析可以对业务情况有一个初步理解，包括业务发展情况、客群分布情况、产品分布情况、风险表现情况以及典型风险点和风险特征等。此外，模型设计需要的三大基础分析包括Vintage分析、逾期趋势分析、滚动率分析等，一般也在该阶段完成。

在业务分析环节，数据分析师通常面临的问题是不知道要分析什么以及怎么分析

分析内容
- 1）业务发展情况。
- 2）客群分布情况。
- 3）产品分布情况。
- 4）分渠道、分客群、分产品、分账龄的风险表现情况。
- 5）模型设计所依赖的Vintage分析、逾期趋势分析、滚动率分析等。
分析方法
- 1）频数统计占比分析，例如统计各类产品的数量和占比。
- 2）趋势分析：添加时间维度，统计逐月的业务发展和风险表现情况。
- 3）比值分析。
- 4）多维度交叉表。

print('明天除夕')
print('祝大家新年快乐！')