特征工程与第三方数据接入：征信局、替代数据、设备指纹到底该怎么接

特征工程与第三方数据接入：征信局、替代数据、设备指纹到底该怎么接

风控团队最容易做的两件错事，一件是”不买数据硬扛”，另一件是”能买的都买上”。

后者更贵，也更常见。 因为在大多数采购决策里，数据源的成本被算成了”单价×调用量”，而它真正的成本是特征筛选的工时、模型复杂度的代价、以及一堆看起来有用但其实不可解释的变量带来的合规风险。

这篇讲的不是”有哪些数据源”，而是每一个数据源在你模型里的正确位置是什么，以及从原始字段到一个能上线、能过审、能监控的模型变量，中间要过哪几道关。

一、问题背景：数据越多，模型不一定越好

先摆一个反直觉的结论：加变量这件事在样本量不足时会直接降低模型表现，而不是提高。

道理不复杂。逻辑回归里每多一个变量，你就多消耗一份自由度；当被估参数的数量相对于坏样本数量变得可观时，模型的方差会超过它带来的偏差下降。这就是为什么行业里一直有一条经验线：要建的变量数，应当和你的坏样本数量挂钩，而不是和你能买到多少数据挂钩。

所以第一步不是列数据源清单，而是先回答一个问题：我现在有多少个成熟坏样本？

• 坏样本在几百量级：特征数应当极度克制，20–50 个已经是上限，且必须优先选稳定、可解释的；
• 坏样本在几千量级：可以进到上百个候选特征，用 IV 与相关性做粗筛；
• 坏样本上万：才具备让机器学习模型自动处理几百上千个变量的样本基础。

绕过这一步直接堆特征的团队，典型症状是”训练集 AUC 0.75、上线后 KS 掉一半”——不是数据源不好，是变量数超过了样本能支撑的复杂度。

二、核心方法：三类数据源的正确位置

第三方数据从功能上分三类，它们的定位、评估方式、接入代价完全不同，混在一起谈”数据源性价比”是没有意义的。

第一类：身份与反欺诈类（决定”这个人是不是他本人”）。

包括证件 OCR、活体检测、人证一致性比对、手机号在网时长与实名状态、设备指纹、模拟器/root 检测、IP 与地理一致性。这一类的特点是：它们几乎不参与”给多少额度”的计算，但它们决定这笔申请有没有资格进入计算。

• 评估方式：不适用 IV/AUC 那一套，而要看拦截率与误杀率的权衡——它拦下多少欺诈、误伤多少好客户；
• 接入优先级：最高，且必须在评分卡之前。原因前面几篇讲过：欺诈是确定性问题，信用风险是概率问题，顺序不能反；
• 成本形态：通常是按次调用（per call），成本随规模线性增长，所以必须做分层调用策略，而不是全量调用。

第二类：征信类（决定”他过去借钱还钱的表现”）。

央行征信、区域征信局、行业共享黑名单、法院与执行信息。这一类是信息密度最高的数据源，有就是有，没有就是没有。

但有一个必须提前算清楚的前提：覆盖率。 在征信基础设施刚建立的市场，征信查询”命中”的比例可能只有三成左右——也就是说，你为一个覆盖率 30% 的数据源付全量调用费时，七成的钱花在了返回空值上。

所以对征信类数据源，采购前必须先问三个数：

1. 你目标客群里的覆盖率是多少？（不是全国人口覆盖率，是你的客群的覆盖率）
2. 返回空值时是否收费？
3. 数据更新的频率与延迟是多少？（一个只按月更新的征信局，对 14 天产品的意义有限）

第三类：替代数据类（决定”他现在的现金流和稳定性”）。

钱包与移动货币流水、话费充值频率与金额、在网时长与换机频率、电商消费记录、设备稳定性、位置稳定性。

这一类是薄档案和零档案客群的主力数据源。 它最大的优势是对新客没有”薄档案歧视”——一个从未贷过款的人，可能已经用手机钱包转账三年；所以在很多新兴市场，钱包流水的实际价值高于央行征信。

但它也是最容易被滥用的一类，因为它字段多、衍生容易，很容易做出几百个”看起来有区分度”的变量。下面这一节专门讲这些变量要过哪几道关。

三、实操步骤与坑

步骤一：先做特征准入，四个维度一个都不能少。

一个候选特征要能进入模型，建议逐条过这四道：

① 预测能力——IV（信息值）。 常规的经验分档：

② 稳定性——PSI（群体稳定性指标）。 通用阈值：

这里有一个最常被忽略的陷阱：高 IV 不等于能上线。 一个 IV 高达 0.25 的”近 3 个月申请贷款次数”，很可能在出现新的导流渠道或产品后，整个客群的取值一起上移，PSI 第一个月就到 0.15、第二个月到 0.2——特征本身没有错，是它的分布被你的业务环境和外部市场改变了。所以在筛选时必须把”时间稳定性”和 IV 并列作为硬门槛：算 12 个月切片的分布差异，优先选 IV 高且 PSI 低的。

③ 可解释性。 金融风控不是猜谜。监管会要求你说清楚”为什么这个特征影响违约概率”。 “收入越高还款能力越强”可解释；”某个随机生成的 ID 值”不可解释——即使它预测能力很强，在强监管场景下也不能直接用。 跨境数据集尤其要注意这一点：一个在该国市场能过审的解释，在另一个市场的监管眼里可能不成立。

④ 可得性——申请时点能不能拿到。 这一条是硬门槛，见步骤二。

步骤二：把”特征穿越”当成第一禁忌来防。

特征穿越（用未来信息预测过去）是最致命也最常见的错误。 任何在你做决策的那个时点之后才能知道的信息，都不能作为特征。

最容易穿越的三种情况：

• 用了事后才更新的征信状态（比如”该客户后来被列入黑名单”）；
• 用了整个样本期的统计量做归一化或分箱（分箱断点必须只用训练期数据确定，然后锁死断点再应用到后续期）；
• 用了结果相关的衍生字段（比如”是否发生过催收”——催收回来的客户和没催收过的客户，行为本来就不一样）。

这条纪律要落成工程约束：特征计算必须能按”数据可得时间”回溯，每个特征都要标注它的可用时点，而不只是标注它来自哪张表。

步骤三：接入方式决定成本，不只是决定技术方案。

用”数据瀑布”分层，而不是全量并行调用：

• T1 免费/极廉层：先跑资格类硬门槛（年龄、地域、黑名单、证件有效性）。这一层的目的是用最低成本提前筛掉一批，减少对后续昂贵层的调用量；
• T2 核心能力层：征信局、核心替代数据评分。最贵的一层，但决定信贷结论；
• T3 定价/额度层：更精细的收入验证、额度测算类数据。可选，且只在需要精细定价的量级上才值得调。

并行的正确使用范围只有一种：同一层内部多个独立数据源可以并行（谁先返回算谁）。跨层必须串行——因为 T2 的调用量本身就取决于 T1 的通过率。

这里有一个必须先做的测试：T1 的死亡率。 如果 T1 直接拒掉 60% 的申请，那么 T2 的实际调用量只有 40%，你对 T2 的成本测算在纸面上会高估一倍以上，而在预算上会低估（因为 T1 阶段的通过率会随营销渠道变化而波动）。先把 T1 的通过率测准，再去谈数据源采购量。

步骤四：数据源失败要有明确的分支处理。

数据源超时、返回空、返回异常值——这些不是运维问题，是风控问题。 必须预先定义五类分支：

1. 重试（限次数与超时）；
2. 切换备用源（同类数据的第二供应商）；
3. 缩减数据集决策（用可得的信息做保守决策，而非硬拒）；
4. 挂起重跑（不入结论，另走队列）；
5. 转人工（并指定责任人与时限）。

关键原则：缺失不等于拒绝。 因为”数据源挂了”和”这个人有风险”是两件完全不同的事。混为一谈的后果是把技术故障转化成系统性拒贷，同时还会丢失这批客群的样本——事后你无法判断他们本来会表现如何。

同时注意，被拒的客户通常有权知道理由，而这个告知是有时限的。 所以拒绝原因码必须在决策那一刻就落库，而不是事后从日志里反推。

步骤五：决策留痕，把数据源状态也记进去。

每个决策至少要落五件事：

1. 决策时点的特征值（模型看到的原始输入）；
2. 命中的规则与原因码；
3. 审批结果与金额、期限、定价；
4. 数据源的可用状态（哪个源通、哪个超时、哪个返回空）；
5. 特征/规则/模型版本号。

第 4 条最容易被省掉，但它恰恰是特征工程层面最有价值的一条记录。 因为当某个第三方接口故障时，那段时间的所有申请都走了降级路径——这批样本的风险分布与正常时期完全不同。如果没记录这个状态，你事后会把它混进训练集，得到一群”看起来很好却无法复现”的变量。

步骤六：第三方数据源的采购评估清单。

把决策从”看演示”变成”过清单”：

① 覆盖率：在你的客群里的命中率，而不是全国人口覆盖率。要求供应商提供适配你目标客群的样本测试。

② 空值策略：返回空值是否收费、超时是否收费。

③ 稳定性承诺：接口可用性 SLA、字段变更通知机制。字段口径静默变更是最隐蔽的风险——你的 PSI 会突然报警，但根因在供应商侧。

④ 数据来源合法性：这一点在数据保护法趋严的市场是红线。要求供应商说明数据的获取方式、授权链条，并明确跨境传输是否合规。 一旦上游来源有问题，下游使用方同样承担风险。

⑤ 合规可解释性：供应商能不能提供每个输出字段的业务含义说明。模型可解释性的上游是特征可解释性，特征不可解释时，下游无论怎么解释都补不回来。

⑥ 退出成本：停用这个数据源，你的模型会不会崩。如果某个第三方数据源在模型里的重要性排到前三，你就把定价权交给了对方。

步骤七：把监控做在特征层，而不只是模型层。

只在模型层看 AUC / KS 是不够的。 因为模型层指标只能在表现期成熟后才看得到，而特征层指标（PSI）在放款当天就能看。

推荐的监控结构：

• 每个特征单独算 PSI（用参考期固定分箱，锁死断点）；
• 按切片算 PSI（渠道、地区、产品、客群分群）——整体稳定不代表各分群稳定，一个关键分群漂移严重但整体看不出来，是典型的隐性风险；
• 对模型分数本身也算 PSI；
• 对每个第三方数据源单独算调用成功率与空值率——这一层是很多团队缺失的，但它是把”供应商问题”和”客群问题”区分开的唯一办法。

常见坑： KS 检验在大样本下极其敏感，几乎总会显著，不能当唯一判据；PSI 依赖分箱数量与位置，断点必须锁定在参考期，否则每次计算都会漂。

四、与海外现金贷场景结合

第一，”无征信是常态”这件事要先接受，再设计。

在非洲、南亚、东南亚很多市场，央行征信对目标客群的覆盖率可能只有三成左右。所以特征工程的起点不是”怎么用好征信”，而是”征信命中之前用什么顶住”。

对海外现金贷，替代数据的优先级排序建议是：

1. 钱包/移动货币流水（收入与支出的真实形态，最难伪造）
2. 手机号在网时长与实名状态（最便宜、最有效的稳定性代理）
3. 设备与行为信号（反欺诈价值高于信用价值）
4. 话费充值频率与金额（收入波动性的代理）
5. 电商与商户消费（在电商渗透率高的市场才有价值）

注意第 5 条的限定条件：一个市场如果没有足够的电商渗透，电商类数据就是无效变量。 数据源的价值是本地化的，不存在”全球通用数据源”。

第二，地域差异必须进特征。

同一个国家里，城镇与农村的银行渗透率、失业率、收入季节性可能完全相反（有的市场甚至出现农村失业率低于城镇的倒挂，因为农业吸纳了大量隐性就业）。用一套全国统一的规则跑，等于同时犯两类错误：在城镇过度宽松，在农村过度严格。

做法是把地域作为一个独立特征（或独立分群），并留意它是否触发公平性审视。 地理变量在信贷里有正当的业务理由（成本、可达性、收入结构），但也最容易被认定为歧视性变量——所以每一条地域相关规则都要记录业务理由，并定期做群体通过率对比。

第三，收入季节性必须显式建模。

海外现金贷的客群里，小商贩、农户、运输从业者的收入是周期性波动的。用一个静态的”月收入”去算偿债覆盖率，会在淡季系统性高估还款能力。

可行做法： 从钱包流水里抽取滚动的收入波动率与季节性指数，把”这个月收入多少”换成”这个客群在这个月份通常什么水平”。这一步的投入产出比往往高于再买一个第三方数据源。

第四，设备指纹在共享设备市场要重新定义。

在部分市场，一部智能机被一个家庭、一个摊位甚至一个街坊共用是常态。这意味着”一设备一用户”的假设不成立，同一设备的多次申请不必然等于欺诈。

正确用法是把设备从”判定条件”降级为”关联线索”：不直接因为”设备重复”拒贷，而是用设备把一批申请连成图，再看这个簇里的关系特征——申请时间间隔、填写的联系人是否交叉、IP 与位置是否集中、是否有同一批人反复出现。欺诈从来不是单点行为，一个坏客户往往指向一个簇。

第五，条件苛刻的实时决策会倒逼特征分层。

很多海外场景走的是即时决策（秒级出结果）。这意味着一部分重特征必须在申请前预计算（离线批算），而不是在申请时现算。

分层原则：

• 轻特征（毫秒级）：设备信号、在网时长、黑名单命中——实时算；
• 重特征（需要聚合历史）：钱包流水的滚动统计——离线批算、缓存，按日或按小时更新；
• 冲突特征：依赖外部接口的必须设超时上限并走降级分支，绝不能让一个慢接口拖垮整个决策链路。

第六，本地化系统只要有能力，自建胜过外采。

自建特征的价值不在于省钱，在于三件事： 对口径的完全控制（供应商改口径你不用跟着改）、对可解释性的完全掌握（监管问起来你能说清每个变量的来源）、以及数据资产的沉淀（这些衍生特征只属于你，不随供应商合约结束而消失）。

但自建有前提：你的埋点必须从第一天就做全。 没有完整的埋点，自建就是空谈。

小结

特征工程这件事，正确的顺序是：

1. 先数坏样本——变量数量必须服从样本量，而不是服从数据源清单；
2. 先做身份与反欺诈——它是准入层，不是评分层；
3. 再上征信与替代数据——征信先算覆盖率，替代数据才是个性化的主战场；
4. 每条特征过四道关——IV、PSI、可解释性、可得性（防穿越）；
5. 分层调用控制成本——T1 先跑测死亡率，同层可并行、跨层必串行；
6. 数据源失败要有五类分支——缺失不等于拒绝；
7. 决策留痕要含数据源状态——否则训练集会被污染而无法复现；
8. 监控做在特征层——PSI 当天可见，AUC 要等表现期；
9. 供应商按清单评估——覆盖率、空值策略、口径变更、来源合法性、退出成本。

最后一句总结：第三方数据的价值不在”买了多少”，而在”用对了几个”。 一个能被解释、能稳定三个月、能在申请时点可靠获取的特征，胜过二十个高 IV 但明天就会漂移的变量。

下一篇，我们讲上线之后的事：模型监控与漂移检测——PSI、KS、AUC 该怎么排班盯盘，以及 PSI 报警之后到底该做什么、不该做什么。