互联网金融大数据风控模型，到底需要多大的数据？

python信用评分卡（附代码，博主录制）

https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share

互联网金融可以应用的大数据，首先体现在社交数据：微博微信等社交平台早已深入人们的日常生活中，产生了大量文本数据和图像视频数据，这些数据的处理和存储，分析，对于相关互联网企业产生了挑战。相应的存储，处理和分析的需求应运而生。

 

这些数据的第一个特点是非结构化，不是像传统的数据，每个变量定义清晰，一条一条地存储在数据表中。

 

第二个特点是多维度。比如，法律，旅游，水电，社保，娱乐，消费……等等维度的增加，也体现了大数据的“大”。

 

在互联网金融领域现阶段，分析这些数据产生个人信用的评分，和P2P公司实际业务所需要的评分模型，还有一定差距。

 

单纯基于大数据的模型效用有限

 

互联网金融的风险控制模型经常用到评分卡，例如：个人信用等级评分卡。然而要做评分卡，要计算相应的违约率，首先应该根据业务，定义目标变量，即输出变量：什么样的客户算好客户，什么样的客户是坏客户。根据这个目标变量，我们再选择相关的其它变量来考察各输入变量对输出变量的贡献。

 

目前，很多企业在做单纯基于大数据的评分模型，并没有把违约与否的情况和网上的行为数据拼接起来，貌似有了一个评分，那也不过是按照自己的理解，对网上行为做了一个初步的整理，从模型的角度，已经有了偏差，即模型偏差。所以在应用上，要做到对风险进行准确定价，实用价值有限。

 

然而我并不是说所有的主要基于大数据的模型都不能用，我们要分开来看这个问题，对于像淘宝，京东等形成自己的业务闭环的商业模式中，尽可以使用各种方法对自己业务中产生大数据进行分析，因为他们的目标变量和所谓大数据变量是可以拼接到一起的。但是对于P2P机构来说，由于并不是所有的贷款申请人都有淘宝账户，京东账户，所以这里的所谓大数据，大数据模型要落地还是比较困难的。

 

回归到互联网金融领域，对于申请人，如果拉一个央行的征信报告，那还算方便，其实征信报告的数据也比较规范，只不过是维度增加了；如果要拼接在网上的行为，各方面难度就比较大了。

 

同时由于”大数据” 的收集，整理，存储，预处理，分析等的投入都比较大，所以我在这里说，有个所谓的费效比的8/2 效应。即对大数据分析投入的精力与其产出实际效应的比例约为8：2。由此可见，单纯基于大数据构建的互联网金融风控模型意义是有限的。

 

如果为P2P公司构建风控模型的工作中，使用的大多数是脱敏数据（不包含姓名等个人信息），这就使与大数据拼接十分困难。目前大数据对于互联网金融领域的贡献，我们认为主要在反欺诈领域，我们为P2P公司风险控制设计的反欺诈模型就利用了很多互联网的数据源。

 

随着互联网金融和中国征信行业的发展，我相信大数据也会越来越多的为我们的风控模型贡献价值。

传统数据和大数据拼接

 

在社交数据出现之前，互联网金融行业已经积累了大量的业务数据，这些业务数据基本上都是结构化存储，而且数据质量都比较好，数据的业务定义也比较清晰。所以在应用”大数据”之前，怎么发挥已有的结构化数据的价值，是我们数据分析建模工作的基础，和目前的重点。

 

那么具体的， 我们应该如何结合现有的数据选择怎么样的算法来做这个事情呢？

在传统银行以及大多数互联网金融机构，首先看的是违约，那么就把违约与否作为好坏客户的定义，然后在选择诸如，工资，性别，年龄，房产，车产等作为输入变量，这是所谓的传统、结构化数据，我也称之为基础数据；而对于大数据，我们认为，应该在传统数据的基础上，相对于目标变量，做一个拼接，即：

 

目标变量 = 基础变量 + 大数据变量

 

 

只有在此基础上，做出来的模型才有意义。但是，做这个拼接，从数据收集的角度来说，是有难度的。

 

实际上，在传统金融领域，对于违约与否，主要考察的是两个方面，还款能力和还款意愿。理论上说，如果直接有这两个变量，那我们就不需要其他的输入变量了。我们所选择的一些输入变量，就是来还原这两个方面。同时，我们之所以在模型中加入大数据，也是因为某些数据的加入，能对更准确还原这两方面贡献一些信息。

 

同时，互联网金融，有丰富多彩的业务模式，风险管理注重的方面也大大丰富了，如恶意欺诈，多头负债，朋友贷中对信誉的高度重视，学生贷中考察他的学业能力， 等等。

风控模型需要多大数据

+

 

下面我们来聊聊互联网金融风控模型需要多大的数据？这需要先回答一个问题： “最少需要多少数据？数据是不是越多越好？“

 

作为IFRE技术负责人与客户接触的时候，经常碰到一个问题：由于众所周知的原因，各家P2P机构对自己的违约率都比较敏感，担心全量数据给我们之后，泄露商业机密，这是可以理解的。但是显然，全量数据所做的模型应该是最准确的。

 真随机抽样

在没有大数据这个名词出现之前， 我们做模型对于数据的要求是这样的：抽样的样本对于总体有代表性(representative)：即样本和总体的各项指标是一样的，那么用样本做出来的模型，才可以代表总体；第二个假设是，总体数据做隐含的规律是稳定的(stationary/stability)。

 

同时还有一个隐含的假设，做模型的数据表现和要用到模型的个体数据的统计性状是相同的，即用历史数据模拟的分数，和以后的客户，如果评分相同，那么他们的表现也相同。只有这样，模型才可以用。否则，还是会产生偏差。

 

假设有输入变量，”性别”，包含两个属性：

男， 女； 身高，包含三个属性：高，中，低。

那么，所有的属性组合是 2*3=6个属性，即：

“男，高”，“男，中”， “男，低“，“女，高”，“女，中”， “女，低“。

 

 

引申开来，如果模型中有10个输入变量，每个有两个属性，那么至少需要2的十次方，1024 条数据， 才能把这些属性组合覆盖。我们才能说，哪一个属性对于目标变量的贡献是多少，然后是哪一个变量对于目标变量的贡献是多少。随着变量的增加，对于数据数量的要求是指数级增长。

 

由此可知，在互联网金融风控模型搭建中，基于成本与效率考虑，数据并不是越多越好，同时我们需要具有稳定性数据，更需要对每一个变量背后的业务含义具有深刻的了解。后面的文章中，我会继续探讨数据仓库搭建，数据清洗以及数据缺失值填补等问题。