当前位置：首页 > news >正文

【学习笔记】互联网金融：芝麻信用分的建模过程

news 2025/6/20 22:20:16

学习资料：数据分析学习随记 | 互联网金融行业2C授信模型(芝麻信用)

1. 背景

互联网金融的本质是风控。

1.1 数据分析师的角色

数据分析师在金融行业基本上有两种角色：

1.1.1 数据建模师

偏算法，但要很懂业务。要求对算法的理解较深，相对来说对行业经验要求不是很高。
与纯互联网行业对比，金融行业的数据建模师的价值更容易得到体现，而且相对更有趣。

工作内容：
- 数据源
  这是和其他数据分析师差别最大的地方。互联网金融很多时候需要基于大数据去规避风险，数据源越多越好。因此数据建模师需要和其他公司进行数据合作，或者数据采购。
- 信用评分模型
  模型监控、维护、优化迭代
- 其他数据挖掘建模
能力要求：
- 数据源在前期决定了模型的效果，要具备良好的沟通能力和快速反馈的能力。
- 金融行业本身比较成熟，比模型更加重要的是分析师自身的想法和验证。
- 在前期重点是围绕数据源和数据处理，模型可以用逻辑回归、决策树、GBDT、随机森林、神经网络等。

1.1.2 分控分析师

除了一定的模型理解能力，还需要大量的行业和法律法规经验。

1.2 产品对象

互联网金融与其他行业不太一样，互联网金融在产品对象上分为to B和to C，都是依赖央行信用报告。

to B：对企业整体的信用进行评估，做整体授信
to C：对个人整体的信用进行评估，得到个人信用分

2. 授信模型

以芝麻信用分为例，

能够很好地判断一个人的信用到底好不好
另一个潜在价值是可以结合人的行为偏好来做更准确的推荐。

芝麻信用分是以下面五个维度综合评估而来的：
在这里插入图片描述

身份特质-- 稳定性
学历的高低影响了收入的多少，这是长时间改不了的特质。
履约能力-- 兜底性
有无房车，个人资产能力的证明，消费后按时还款的能力。
信用历史 – 历史性
信用卡有无逾期，历史行为最直接的信用体现。
人脉关系 – 稳定性验证 + 弱价值性
支付宝好友的信用分是不是都很高，是否土豪，一个人的交际圈也代表着一定的偿还能力。
行为偏好-- 真正价值
喜欢买价格高的还是买价格低的，这个部分很重要，表示人本身的当前信息，对产品后续决策有非常大的价值。

3. 模型落地

授信模型的建立过程跟数据分析标准化流程非常像，模型最终的评估指标是坏账率。

3.1 数据源

每个维度用了哪些数据字段，这些就是数据源。

数据变量：

原始变量：直接存储在数据库中的最基础变量，比如每天的交易额。
衍生变量：因为金融的本质是风险，所以都要对原始变量进行加工转化，得到衍生变量。

一般有3种方式对原始变量进行扩充：

时间维度衍生：
- 最近一个月交易额
- 最近三个月交易额
函数衍生：
- 最大交易额
- 最小交易额
- 交易额方差比例
比例衍生：
- 最近一个月交易额除以最近三个月交易额

选择变量时，基于RFM原则：

R（Recency，最近，最近一次消费时间间隔）：指用户最近一次消费距离现在多长时间了。
F（Frequency，频次，一段时间内的消费频次）：指用户一段时间内消费了多少次。
M（Monetary，钱，一段时间内的消费金额）：指用户一段时间内消费的金额。

3.2 数据处理 => 数值化

数据处理、数据建模都是为业务服务。真实工作中，数据据处理和数据建模会慢慢迭代、优化。
所以在前期的数据处理不会很复杂，

前期的数据处理一般分为三种：

数值型和字符串型字段的缺失性和合理性检验，剔除无效字段。
50%以上即可去掉。
数值型字段的相关性验证
因为在前期，所有的字段都会拿出来，有很多的变量相关性非常强，但这个对于模型的训练没有帮助，因此把相关性强的先过滤掉。【相关性规律待学】
对字符串型字段的离散化处理
一般对字符型字段采用的是专家打分法，将字符串型变量转化成数值。

相关性过滤：一般0.7以上是高度相关性，所以在后面建模的时候，只保留一个变量即可，其他3个相关性高于0.7的变量先不要放在模型训练里。
如下图,最近1年母婴消费金额与其他三个变量均有很高的相关性，因此在后续建模的时候先保留母婴消费金额.
在这里插入图片描述
专家打分法：是按照常识理解直接分段取值。
在模型前期，只要大的逻辑没有问题即可。比如芝麻信用分评估中的身份特质，学历是小学还是博士，这样的字段不是数字型字段而实字符串型字段。然后设定小学学历信用分段是0~20，博士学历信用分段90~100，将字符型变量转化成数值。
在这里插入图片描述

3.3 数据标准化

虽然所有变量都以数值化，但在量级和量刚上相差很大。
【？】如交易额和交易次数，这就没有可以性，所以要对所有的字段进行标准化。

标准化的方法很多，选择合适的就行，这对后面的模型效果没有影响

MAX-MIN
Z-score

【？】数据标准化后，所有变量的取值区间都会在0~1范围，接下来就可以进行数据建模了。

3.4 数据建模

在建模之前，一定要把业务目标理清，这样才能知道能用什么模型。

芝麻信用分有5个维度，5个维度在不同时期的权重也不一样，所以每个维度都要单独建模。
建模前的思考举例：

业务目标：根据用户在5个维度的综合芝麻分，来给用户提供其他额外服务，比如花呗、借呗和免押金，同时保证用户不违约。
建模目标：根据用户的数据，算出用户违约的概率。而这个概率也可以转化为用户的分数。
模型选择：基于建模目标，选择逻辑回归模型比较合适。一是简单，二是非线性。

以历史信用为例，假设该模块包含的字段有最近一个月主动查询金融机构信用次数x1、最近一个月徐换代总额x2、最近一个月逾期总额x3，那么其违约概率就为：（x1、2、3为3个数值）

P值为用户违约的概率，a、b、c为拟合系数。

举例：A用户：身份特质、履约能力、信用历史、人脉关系、行为偏好分别算出的概率是0.1、0.2、0.3、0.4、0.5 。根据当前产品所处阶段，觉得历史信用和履约能力两个模块最重要，那么这两个模块的影响权重就是0.35，其他都是0.1。计算步骤：

那么小A 的违约概率就是： P = 0.10.1+0.350.2+0.350.3+0.10.4+0.1*0.5=275
分数公式：score=（1-P）*A+B，区间为[300,900]，可以算出来A=600，B=300
所以A的芝麻综合分=0.725*600+300=735。

模型离线效果指标: 机器学习

混淆矩阵：查准率和查全率
- 混淆矩阵的理解：
  - 100：本身是未还款，模型预测后也是未还款 - 准确
  - 400：本身是已还款，模型预测后也是已还款 - 准确
  - 20：本身是已还款，模型预测后是未还款 - 不准确
  - 80：本身是未还款，模型预测后是已还款 - 不准确
- 查准率：模型准确度。
  - 预测准确准确的对角线100+400 = 500
  - 所有样本量100+20+80+400 = 600
  - 查准率 = 500 / 600 = 83%
- 查全率：预测准确的样本，在选择样本中的占比。
  金融模型的主要目标是还款，所以只需看预测成功的未还款人数，在实际的总未还款人数中的占比。
  - 模型预测准确的未还款人是100人
  - 本身未还款100 + 80 = 180人
  - 查全率是100/180 = 56%
ROC曲线：根据混淆矩阵做出的可视化分析，区分模型是否能较好把好坏样本分开的一个图，一般都是取ROC下面的面积AUC，来衡量模型效果，越大越好，一般至少0.6以上。

离线模型看这两个参数就够了，这块本身有点难理解，特别是ROC曲线不太好举例，如果你实在不理解参数意义，那么记住也可以，因为真实工作中，最重要的还是坏账率这个评估指标。

在产品初期，因为模型的变量太多，所以模型的迭代速度都非常快，基本上每个月都要跑一次分数，这个时候肯会出现某个用户的分数奇高，这都是正常的，而这些都需要不断调整权重和系数，慢慢优化才行，不过最重要的还是落地效果，就是用了这个模型之后坏账率怎么样，这就是模型落地了。

3.5 模型落地

模型落地举例

落地前：
如根据芝麻信用分就可以申请招联金融信用额度，那么这就涉及到两个公司的产品合作了。金融行业的合作都是非常小心的，所以在正式合作前：
- ①招联金融会提供一批样本给芝麻，芝麻这边数据建模师根据模型给出这批用户的违约概率；
- ②招联金融根据芝麻给出的用户违约概率，算模型的准确度；
- ③如果模型准确度还可以，双方才会正式展开合作（用户群覆盖度和模型准确度）
落地中：
正式落地时，招联在给每个用户评估信用时，实际上芝麻信用分只是一个参考维度而已，一般都是这样：
- ①机器调用该用户的央行征信报告评估值X，这个是最重要的；
- ②借口调用用户的芝麻信用分Y；
- ③该用户在招联的信用评估情况Z；

基于X,Y,Z，内部在根据专家规则法出一套授权方案（很灵活），到这一步，基本上模型就正式使用了。

3.6 模型优化

落地后：
前期一般是每一周，招联金融都会和芝麻这边对一次坏账情况，只有到这个时候，模型的参数调整才是最有意义的，这个时候也是最考验数据建模师的时候，

调参方法：

①先找出是因为某个子模型引起还是所有模型引起；
②如果是子模型引起，直接调整该模型的参数即可，如果是整体模型都有问题，那就要重新进行数据处理了，如WOE分组，更换衍生变量，字符型字段重新打分等等。