在个人C端信贷产品的业务体系中，特征数据维度较多且应用价值较高，常见的有人行征信、电商消费、银联交易、多头借贷、设备安装、社交行为等，这些维度的数据无论是针对策略模型的风控环节，还是面向客户画像的营销场景，都贡献着较大的信息价值，发挥着非常重要的作用。本文将给大家介绍一类相对较为特殊，但应用价值较大的维度数据，即出行数据，具体内容主要从特征标签类型及其贷风控应用进行重点描述。
本次展示内容以铁路出行数据作为示例，向大家说明相关标签的挖掘与应用。铁路出行数据的信息较为敏感，因此在数据应用过程中与银联、运营商等数据类似，为了符合行业监管要求并能发挥数据信息价值，特征标签多数是以区间、等级、是否等形式体现的。从业务应用角度进行区分，铁路出行数据可以分为信息核验、特征核验、特征标签、模型评估共4个类别，下面对每个产品类型的相关字段分别进行介绍。
1、信息核验
信息核验产品主要是通过某基本要素，例如姓名、身份证号、手机号，查询确认是否为铁路平台用户，并进行多要素交叉验证是否一致，此外还可以校验用户在历史某段时间内是否乘坐过铁路列车，这些数据查询功能接口，可用于信贷产品的贷前策略模块，以准入条件或风险核验进行应用。
（1）姓名、身份证号二要素核验：
使用姓名、身份证号查询系统内用户信息，确认是否为12306用户；
（2）姓名、身份证号、手机号三要素核验：
使用姓名、身份证号、手机号查询系统内用户信息，并进行信息交叉验证；
（3）乘车乘车信息核验：
使用姓名、身份证号查询系统内用户信息，确认用户是否在3年内乘坐过列车；
（4）二要素及一年乘车核验：
使用姓名、身份证号查询用户身份信息是否一致，以及1年内是否乘坐过列车。
2、特征核验
特征核验产品主要用于确认用户在某些特征标签的真实性，包括基本信息、行为属性等维度，在数据应用方面包括基础信息、出行峰值、目的地点、旅游特性、普惠群体。
2.1 基础信息
（1）是否男性：根据手机号查询性别；
（2）是否学生身份：最后1次购买学生票到现在没有超过6个月；
（3）是否社会新人：最后1次购买学生票到现在超过6个月且小于12个月，同时年龄小于27岁；
（4）是否商旅身份：1年内乘坐GD列车总次数为30次以上；
（5）是否高端商旅人士：1年内乘坐高端坐席（一等、商务、软卧、包厢席别）比例超过70%；
（6）常住地是否X城市：输入城市名称；
（7）常住地是否二线城市：是否省会城市；
（8）常住地是否三线城市：是否地级市。
2.2 出行峰值
（1）1年内最繁忙出发月份是否X月：输入月份
（2）1年内最繁忙出发月份的出发次数是否X次以上：输入次数
2.3 目的地点
（1）1年内到达最多的城市是否X城市：排除常住地之外，输入城市名称
（2）1年内到达最多的城市次数是否X次以上：输入次数
2.4 旅游特性
（1）是否旅游达人：常去旅游城市
（2）1年内常去旅游城市是否X次以上：输入次数
2.5 普惠群体
（1）最近出发城市是否X城市
（2）最近到达城市是否X城市
（3）最近出发时间是否在1个月内
（4）最近出发是否乘坐普通列车
（5）最近出发乘坐的坐席等级是否二等及以下
（6）最近出发的消费金额是否100元以下
3、特征标签
特征标签产品的维度类别与字段数量比较多，因此在信贷场景的应用也更为广泛，包括策略规则的开发、模型变量的构建、客户画像的特征等。根据实际需求和应用特点，特征标签包括账户属性、乘车决策、乘车频率、乘车时间、消费金额、乘车等级、购票行为、订单交易等。由于各个维度可能包含的标签较多，以下介绍仅列出部分进行展示，更多详细字段可参看本文附件材料。
3.1 账户属性
（1）性别：男、女
（2）年龄层：[0,18) 、[18,60) 、[60,inf)
（3）关联手机号个数：[0,4) 、[4,8) 、[8,inf)
3.2 乘车决策
（1）作为乘车人购票总次数：[0,10) 、[10,30) 、[30,inf)
（2）作为乘车人退票总次数：[0,6) 、[6,24) 、[24,inf)
（3）作为乘车人改签总次数：[0,6) 、[6,24) 、[24,inf)
（4）作为乘车人GDC列车购票总次数：[0,6) 、[6,18) 、[18,inf)
（5）作为乘车人GDC列车退票总次数：[0,4) 、[4,14) 、[14,inf)
（6）作为乘车人GDC列车改签总次数：[0,4) 、[4,14) 、[14,inf)
（7）作为乘车人普通列车购票总次数：[0,4) 、[4,12) 、[12,inf)
（8）作为乘车人普通列车退票总次数：[0,2) 、[2,10) 、[10,inf)
（9）作为乘车人普通列车改签总次数：[0,2) 、[2,10) 、[10,inf)
（10）车票挂失次数：[0,6) 、[6,40) 、[40,inf)
（11）车票挂失比例：[0,20) 、[20,50) 、[50,100)
（12）行程变化比例：[0,15) 、[15,40) 、[40,100)
（13）GDC列车行程变化比例：[0,15) 、[15,40) 、[40,100)
（14）普通列车行程变化比例：[0,15) 、[15,40) 、[40,100)
3.3 乘车频率
（1）乘车总次数：[0,10) 、[10,30) 、[30,inf)
（2）GDC列车乘车总次数：[0,6) 、[6,18) 、[18,inf)
（3）普通列车乘车总次数：[0,4) 、[4,12) 、[12,inf)
（4）月平均乘车总次数：[0,3) 、[3,6) 、[6,inf)
（5）GDC列车月平均乘车总次数：[0,2) 、[2,4) 、[4,inf)
（6）普通列车月平均乘车总次数：[0,2) 、[2,3) 、[3,inf)
（7）乘车总里程：[0,10800) 、[10800,21600) 、[21600,inf)
（8）GDC列车乘车总次数：[0,6480) 、[6480,12960) 、[12960,inf)
（9）普通列车乘车总次数：[0,4320) 、[4320,8640) 、[8640,inf)
（10）平均出行距离：[0,300) 、[300,900) 、[900,inf)
（11）GDC列车平均出行距离：[0,300) 、[300,900) 、[900,inf)
（12）普通列车平均出行距离：[0,300) 、[300,900) 、[900,inf)
3.4 乘车时间
（1）总旅行时长：[0,49) 、[49,130) 、[130,inf)
（2）GDC列车总旅行时长：[0,23) 、[23,60) 、[60,inf)
（3）普通列车总旅行时长：[0,36) 、[36,96) 、[96,inf)
（4）平均旅行时长：[0,2) 、[2,5) 、[5,inf)
（5）GDC列车平均旅旅行时长：[0,2) 、[2,4) 、[4,inf)
（6）普通列车平均旅旅行时长：[0,3 、[3,9) 、[9,inf)
（7）工作日乘车次数：[0,5) 、[5,38) 、[38,inf)
（8）节假日乘车次数：[0,4) 、[4,26) 、[26,inf)
（9）工作日乘车比例：[0,30) 、[30,80) 、[80,inf)
（10）节假日乘车比例：[0,30) 、[30,80) 、[80,inf)
（11）差旅周期偏好：[0,2) 、[2,5) 、[5,inf)
（12）最近出发时间段：[0,8) 、[8,16) 、[16,24)
（13）最近到达时间段：[0,8) 、[8,16) 、[16,24)
3.5 消费金额
（1）车费消费总金额：[0,4752) 、[4752,9504) 、[9504,inf)
（2）GDC列车车费消费总金额：[0,3888) 、[3888,7776) 、[7776,inf)
（3）普通列车车费消费总金额：[0,864) 、[864,1728) 、[1728,inf)
（4）车费消费平均金额：[0,150) 、[150,450) 、[450,inf)
（5）GDC列车车费消费平均金额：[0,195) 、[195,585) 、[585,inf)
（6）普通列车车费消费平均金额：[0,75) 、[75,225) 、[225,inf)
3.6 乘车等级
（1）GDC等级列车乘车比例：[0,40) 、[40,80) 、[80,100)
（2）其他等级（ZTKYL 数字）列车乘车比例：[0,30) 、[30,70) 、[70,100)
（3）高端席别乘车次数（软卧、高软、特等、商务）：[0,2) 、[2,6) 、[6,inf)
（4）普通席别乘车数量（其他）：[0,8) 、[8,24) 、[24,inf)
（5）高端席别乘车比例（软卧、高软、特等、商务）：[0,30) 、[30,70) 、[70,100)
（6）普通席别乘车比例（其他）：[0,30) 、[30,70) 、[70,100)
3.7 购票行为
（1）线上（互联网、手机）购票数量：[0,6) 、[6,18) 、[18,inf)
（2）线下（窗口、自动售票机、代售点）购票数量：[0,3) 、[3,9) 、[9,inf)
（3）手机购票比例：[0,30) 、[30,80) 、[80,100)
（4）互联网购票比例：[0,30) 、[30,80) 、[80,100)
（5）线下（窗口、自动售票机、代售点）购票比例：[0,20) 、[20,70) 、[70,100)
3.8 订单交易
（1）订单总数量：[0,30) 、[30,80) 、[80,inf)
（2）平均每个订单购票数量：[0,3) 、[3,10) 、[10,inf)
（3）交易总张数：[0,40) 、[40,100) 、[100,inf)
（4）交易支付总张数：[0,40) 、[40,100) 、[100,inf)
（5）交易未支付总张数：[0,40) 、[40,100) 、[100,inf)
（6）动车车票交易张数（GDC）：[0,24) 、[24,60) 、[60,inf)
（7）动车车票交易比例（GDC）：[0,30) 、[30,80) 、[80,100)
（8）交易支付总金额：[0,4752) 、[4752,9504) 、[9504,inf)
（9）GDC车票最大交易金额：[0,293) 、[293,878) 、[878,inf)
（10）普通车票最大交易金额：[0,113) 、[113,338) 、[338,inf)
（11）全票数量：[0,29) 、[29,76) 、[76,inf)
（12）孩票数量：[0,9) 、[9,24) 、[24,inf)
（13）全票比例：[0,50) 、[50,90) 、[90,100)
（14）孩票比例：[0,10) 、[10,50) 、[50,100)
（15）网上第三方支付次数：[0,21) 、[21,56) 、[56,inf)
（16）网上银行卡支付次数：[0,4) 、[4,10) 、[10,inf)
（17）储蓄卡支付次数：[0,8) 、[4,20) 、[20,inf)
（18）网上第三方支付比例：[0,30) 、[30,70) 、[70,100)
（19）网上银行卡支付比例：[0,30) 、[30,70) 、[70,100)
（20）储蓄卡支付比例：[0,30) 、[30,70) 、[70,100)
4、模型评估
模型评估是通过多个特征变量进行模型训练，以量化分数来评测乘车用户的表现，根据实际业务场景的不同，可以分为风险评估和价值评估，分别可以应用于贷前风控审核与贷中画像营销等环节。
（1）风险评估
模型可用于银行等金融机构信贷产品的贷前风控审核、评价客户稳定性及价值、分析是否存在商旅属性等，具体特征字段的时窗周期可以定义为3个月、6个月、9个月等不同区间。现举例风险评估模型的主要字段分布，具体如图1所示：
图1 风险评估字段
（2）价值评估
模型通过描述用户画像的标签信息，可用于金融机构对信贷用户的征信评估，包括经济收入、还款能力等，从而实现业务场景的精准营销。现举例价值评估模型的主要字段分布，具体如图2所示：
图2 价值评估字段
关于本文所提到的出行数据的挖掘与应用，本次番茄风控除此文章，也在知识星球平台准备了相关的学习材料，帮助大家了解相关的标签挖掘与应用：
详细内容可至知识星球后台，查看完整版本内容：
…
~原创文章
扫一扫
3489
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
