信贷是金融领域的一个典型业务范围，在金融圈子从事的小伙伴们是相当熟悉的，而作为信贷核心的“风控”更是体现了业务内容的丰富程度，同时在实际工作属性上围绕信贷风控也大体区分了风控策略、风控模型、数据分析、数据挖掘等岗位。因此，熟悉理解信贷风控的体系架构与业务流程，并掌握数据、策略、模型等风控元素的原理思路与应用方法，是我们身在信贷数据分析圈子里必须要学会的思维与能力。
信贷风控是围绕产品形态进行构建的，不同的业务需求与运营特点决定了风控体系的整体布局与细节内容。但是，无论信贷产品的业务模式如何变化，或者是面向客户目标是C端个人或B端中小微企业，其风控的核心理念与目标是一致的，那就是控制风险从而创造收益。在风控的“目标变量”相同的情况下，数据、策略、模型、引擎等关键角色，在业务流程的不同环节发挥着重要价值与作用，里边涉及的知识要点与解决方法也是非常众多。在这样的业务背景下，我们需要有针对性的抓好重点内容，并将其应用到实际工作中。
本文根据以上实际情况，围绕信贷风控数据分析这个业务圈子，为大家准备了一份“100个为什么”经典知识点问答，供各位小伙伴学习储备或巩固复习自己的信贷风控知识库。本内容为系列文章，包括上中下三个部分，分别为风控体系篇、策略分析篇、模型算法篇。本文为风控体系篇，选取实际工作中较为常见的业务问题，给出对应的解决思路与应用方法，便于大家在相关工作场景或面试场景择之采用。
本次内容，我们一共列出了26个风控数据中的数据分析内容，这些内容也是在日常的工作与面试中，大家经常高频会遇到的问题。其中还有10个隐藏问题，会在星球社区中发布。详细内容，如下：
01：为什么在信贷风控流程中一般都是策略在前模型在后？
答：从业务流程考虑，策略一般会包括黑名单、反欺诈、多头等准入规则，部署在风控前置环节可以简单直接的进行审批决策，不需要过多的量化分析，而后采用信用标签、评分模型等规则来进一步对策略通过的群体进行筛选。从数据成本考虑，模型是由多个特征字段训练拟合而成的，而策略规则大多情况下是单一或二维组合规则，针对拒绝同一个坏用户，通过模型决策所调用的字段要比策略规则要多，从而数据成本也会增加。
02：为什么采用策略与模型的决策矩阵进行决策风控准确率更高？
答：决策矩阵分析可以将两个维度的评估结果进行交叉分析，即根据策略与模型的风险等级组合来决策，假设策略与模型的评级均设为ABCD等级（风险从低到高），采用决策矩阵可以有效拒绝策略&模型组合为DD、DC、CD、CC等风险较高的群体，比单向策略或模型拒绝等级C、D情况的风控准确率要高，比如策略为D但模型为A的用户本身风险可能并不高，但由于单向的决策会误拒较多的好用户，而决策矩阵会有效解决这个问题。此外，感兴趣的小伙伴可以参看番茄星球课堂的第54次课《策略与模型之决策矩阵分析》，课程结合实际案例有详细介绍。
03：为什么三方数据接入之前除了区分度测试还要进行稳定度评估？
答：三方数据引入是为支撑风控策略或模型的开发，以提高风控体系的准确度，当特征数据的区分度例如IV、KS等指标满足业务需求后，务必要对特征分布的稳定性指标PSI进行测试。如果特征只是在当前测试时窗的区分度较好，而在将来线上应用时的区分度变差或者变得更好，都会直接影响特征对应策略规则的通过率和准确率，显然这是业务中不可接受的。因此，三方数据的测试过程中，特征的稳定度评估是一个必要环节，在一定程度上来讲，稳定度评估也是对特征区分度在时间维度上的测试。此外，感兴趣的小伙伴可以参看番茄星球课堂的第53次课《三方风控数据产品的测试评估》，课程结合实际案例有详细介绍。
04：接下来的目标？
答：贷前申请模型是有监督模型，根据存量样本有贷后表现的数据进行建模，也就是说建模是根据风控审批通过的样本来建立的，但模型最终的应用场景是面向未来可能通过或拒绝的所有用户群体，这在模型开发和模型应用的特征数据上已经形成了差异。如果适当将部分拒绝样本加入到建模样本数据中，会有效减小这种特征数据分布上的差异，从而满足实际业务情况。对于建模数据中引入的拒绝样本，最关键的问题是如何来定义目标变量，这里可以采用模型打分赋值、随机比例划分等方法来设置。感兴趣的小伙伴可以参看番茄星球课堂的第68、69次课《拒绝演绎方法介绍与场景应用》，课程结合实际案例有详细介绍。
05：为什么逻辑回归模型相比机器学习树模型更具有解释性？
答：逻辑回归模型是一种广义线性模型，模型拟合训练的函数结果会直观体现各入模变量的权重关系，通过各变量X系数大小可以判断对目标变量Y的影响程度。同时，在模型训练前的特征筛选环节，我们对特征变量的数据分布较为关注，无论特征是否经过WOE编码处理，变量离散后的单调性趋势往往是入模选择的标准之一，而这种单调性正是需要结合实际业务理解与数据分布形态来分析，可以合理描述出特征取值的变化对风控坏账率和通过率的影响，从而保证模型在最终应用层面有很好的解释性。对于银行等金融机构来讲，模型的解释性是非常必要的，因此逻辑回归算法在银行风控模型的开发上一直得到广泛应用。
06：为什么在风控建模的目标定义中除了“好、坏样本”有时还存在“灰样本”？
答：灰样本的定义是源于在选取的建模样本数据中，不满足好坏定义条件的剩余样本，例如表现期不足、好坏程度不够等。灰样本的设置可以有效扩大好、坏样本之间的特征差异，不参与模型拟合的训练环节，这样可以促进模型得到较好的区分度效果。在模型测试环节，灰样本则需要加入样本群体分析中，以测试模型的泛化能力。具体灰样本的定义逻辑与应用场景，需要结合实际样本情况和业务需求而定，但目的与思路是一致的。
07：为什么在建立客户画像聚类模型时需要对样本数据进行标准化处理？
答：聚类模型的拟合训练是根据样本数据的距离、密度等空间关系进行类别划分的，例如Kmeans是根据样本点的距离，DBSCAN是根据样本点的密度，而在计算样本之间的距离和密度时，如果某些变量之间的量纲差异太大，会对模型训练的效果影响很大。例如Kmeans算法经常采用欧式距离原理来判断类别，假设通过特征“年龄”与“收入”来进行聚类，“年龄”取值范围为2060，“收入”取值范围为300010000，那么得到的距离d中，明显是特征“收入”占的权重更大，使得距离结果主要由特征“收入”决定，这显然是不符合常理的。但是，经过数据标准化后，每个特征的量纲保持一致，这样算出来的样本点之间距离才是更为合理的，从而保证聚类模型结果的有效性。
08：为什么同样是boosting决策树算法，LightGBM比XGBoost的算法效率更快？
答：XGBoost是使用基于特征预排序（pre-sorted）方法的决策树算法预排序算法，每次根据单个特征算分裂增益时，需要遍历所有样本的特征取值，时间效率复杂度为datafeatures；而LightGBM是使用基于特征直方图（histogram）方法的决策树算法，只需要遍历特征直方图分桶数n次，时间效率复杂度为nfeatures。从内存消耗与时间效率上对比，LightGBM明显优于XGBoost。
09：为什么LightGBM相比XGBoost算法来讲，可以有效降低模型过拟合程度？
答：XGBoost采用的是level-wise的分裂策略，对树的每一层所有节点无论增益大小都会进行无差别分裂，这样使得某些增益非常小的节点，虽然对结果影响不大，但还是强制分裂给算法效率带来了不必要的开销；而LightGBM是采用了leaf-wise的分裂策略，即在当前树的所有叶子节点中，通过选择分裂收益最大的节点进行分裂。在这种情况下，当树节点的分裂次数相同时，leaf-wise方法相比level-wise方法可以降低更多误差，得到较高的精度。但是，leaf-wise方法很容易促使树的深度过大，导致模型出现过拟合现象。一般情况下，采用LightGBM构建模型时，需要重点对参数树的深度进行限制，以避免模型过拟合。
10：为什么分析连续变量之间相关性时，往往采用pearson而不用spearman系数？
答：pearson相关系数定义特征变量协方差除以标准差的乘积，评估的是两个连续变量之间的线性关系，而spearman相关性系数评估的是变量之间的单调关系，但数据分布的单调趋势并不一定是线性关系。因此，针对特征为连续数据、正态分布、线性关系等情况时，采用pearson相关系数最为合适，而针对有序类型特征数据时则需要使用spearman系数。
11：为什么针对评分卡模型变量的稳定性评估，采用PSI比CSI更便于从业务上量化？
答：对于评分卡模型的变量稳定性，PSI与CSI指标都可以用来评估，但二者除了原理逻辑差别外，在业务理解分析上也有很大不同。PSI可以衡量模型分数或变量取值在不同样本分布的稳定性程度，其公式为PSI=(pct_cur-pct_dev)*ln(pct_cur/pct_dev)，其中pct_cur、pct_dev分别代表测试样本占比、开发样本占比。PSI值越小，说明字段分布的稳定性越好，在业务中一般以0.01作为评估标准。CSI表示两个样本不同区间占比差值与评分的乘积，其公式为CSI=(pct_cur-pct_dev)*score，其中pct_cur、pct_dev分别代表测试样本占比、开发样本占比，CSI值结果有正负值的可能，反映的是各变量评分向高分数或低分数段波动的趋势（数值正负）和程度（数值大小），但是这种波动程度只能在当前模型各变量之间来衡量评估，不能与其他模型的变量来进行对比，并没有绝对业务值的参考。因此，同样是评估模型的稳定性，PSI更便于结合实际业务来进行量化理解数据的稳定程度，而CSI更侧重体现变量评分的波动趋势。
12：为什么当建模样本特征的区分度普遍较低时，采用分类子模型思路可以优化性能？
答：当建模样本的特征IV普遍表现较低时，比如各字段的IV值集中在0.02附近，这样构建出的模型也会符合预期，模型相关指标例如KS、AUC等都表现较低。在这种情况下，可以考虑将特征变量池结合业务理解将字段进行分类，比如消费类、出行类、征信类、设备类等，然后根据每个类别的变量池分别建立子模型，将这些子模型作为新的特征字段，对比可知其IV值会明显优于各个原始特征字段，接着采用各子模型字段进行模型训练，这样最终得到的总模型效果会有明显提升，其主要原因是通过分类子模型的构建，可以较大程度聚合各变量的信息生成新的且区分度较好的字段，从而使得最终模型的效果有较好的提升。
13：为什么在字符类别变量转换上，特征one-hot编码相比label编码更为合理？
答：特征one-hot编码是根据原始变量的取值分布，生成n个二分类新特征变量，针对原始数据的分布信息并没有发生变化，只是数据展现方式进行了转换，例如特征变量“学历”（研究生及以上、本科、专科、高中、初中、小学），经one-hot编码后转换为“是否研究生及以上、是否本科、是否专科、是否高中、是否初中、是否小学”共6个新的字段。但是，对于特征label编码转换，结合业务理解，学历是有序变量，从研究生到小学是比较含义的，一般采用合适的数值进行替换，依次对原始值“研究生”到“小学”分别赋值6/5/4/3/2/1，虽然这样的转换也是符合实际业务理解的，对于模型训练与评估都是有效的，但是这里需要注意的是，相邻学历之间的差异不可能完全对等，例如本科与专科之间的差距为1，那本科与专科的差距也为1，这样的绝对值是无法对比量化的，因此必然会对原始数据信息有一定影响，当然在风控建模体系中，误差是无法避免的，但这里需要理解one-hot编码相比label编码在保持数据真实信息的优势。
14：为什么z-score标准化相比min-max标准化在数据处理方面应用更为广泛？
答：对于z-score标准化，与min-max标准化类似，都是对原始样本的特征数据进行了线性转换，也就是将特征样本点平移且缩短距离，使不同维度特征的原始数据具有可比性，从而保证特征在模型训练时权重得到统一。但是，z-score标准化与min-max标准化最大的区别，是z-score仅将原始数据的量级发生了变化，但数据的分布类型是不变的，而min-max后的结果在数据量级与数据分布上都与原始数据不同。因此，对于最常采用的min-max和z-score标准化，在建模时当不确定使用哪种方式时，优先选择z-score标准化进行处理，其优势是z-score处理方式不会影响特征原始数据的分布类型。
15：为什么二分类模型算法也可以解决业务上的多分类问题？
答：二分类模型问题在信贷风控中最为常见，例如违约预测、流失预测、营销预测等场景，根据建模样本中二分类目标进行训练，虽然从决策结果仍然是二分类标签，但本质是预测概率通过阈值划分进行分类的。如果实际果业务需求是将样本群体划分为多个等级ABCD，比如信用风险、营销价值等，可以通过二分类模型最终预测概率排序后的结果进行区间划分，从而得到不同资质的样本客群，这样便可以实现实际业务上的多分类场景。
16：为什么采用K折交叉验证与网格搜索得到的模型指标有时比默认参数效果差些？
答：K折交叉验证是指将建模数据集随机等分为K份，每次选取其中K-1份作为训练集，剩余1份作为测试集，经过训练后可以得到K个模型，然后将K个模型的平均测试效果作为最终的模型效果。但是模型算法在初始默认参数值情况下，是根据较大数据量（例如随机拆分的训练集）的样本进行训练的，最终模型表现除了参数影响，样本量大小也有较大区别，会出现比对自动组合调参的结果要好，但这并不能说明K折交叉验证与网格搜索的调参思路无效，而是需要将调参后的最优参数组合，作为模型输入在原训练样本和测试样本上重新运行即可，输出的评价指标也是参数调优后的模型性能表现。
17：为什么黑名单核验类特征不便于作为模型训练变量来使用？
答：黑名单字段属于信息核验类特征，在区分样本好坏方面是非常高的…
18：为什么在建模过程的特征分箱过程中，离散后区间样本占比最好是5%以上？
19：为什么采用孤立森林算法来识别样本异常值比DBSCAN等算法更为高效？
20：为什么在建立逻辑回归模型时，特征离散后数据常以woe替换而不用badrate？
21：为什么风控流程中的策略规则、评分模型等，一般不会选用相同的特征变量？
22：为什么中小微企业的风控模型往往是专家经验评分卡模型？
23：为什么AUC值结果相同的两个模型，并不能说明二者的区分度一致？
24：为什么银行信用卡中心建立ABC模型时，都是根据不同信用卡类型进行开发的？
25：为什么建立好的机器学习模型往往需要通过生成pmml文件进行部署？
26：为什么采用孤立森林模型来检测异常值时，不需要对样本数据进行标准化处理？
以上剩余的10个问题（问题17~26），也是经常出现在风控工作与面试中的高频问题，本次我们在知识星球中为各位会员同学准备了此份内容，可移步至知识星球平台查看：
…
~原创文章
259
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
