【风控】用户特征画像体系

一、体系架构概述

1.1 核心价值定位

风控特征画像体系是通过多维度数据融合分析，构建客户风险全景视图的智能化工具。其核心价值体现在：

• 全周期覆盖：贯穿客户生命周期的营销、贷前、贷中、贷后四大场景
• 立体化刻画：整合基础数据维度形成精准客户风险画像
• 动态化监控：建立特征监控体系保障数据质量与模型效果
• 场景化应用：针对不同业务阶段定制特征工程方案

1.2 体系构建方法论

采用"三维一体"构建框架：

数据维度层 → 特征工程层 → 应用场景层↘ 监控保障层 ↗

二、场景化特征工程

2.1 营销特征画像（客户召回场景）

2.2 贷前特征画像（反欺诈与信用评估）

2.3 贷中监控画像

2.4 贷后管理画像

三、特征监控和特征异常处理

3.1 监控机制

3.2 特征异常处理

特征异常处理是指在发现特征异常时，需迅速定位问题原因并提出解决方案，以最大限度降低异常对线上业务的影响。由于业务环境和数据分布随时间可能发生变化，特征效果可能逐渐减弱，因此应定期对特征进行升级和更新。

1. 特征不一致

特征不一致主要有以下三种常见原因：

• 在线数据与离线数据不一致；
• 在线特征处理逻辑与离线特征处理逻辑不一致；
• 数据状态在不同时间节点发生变化。
  前两类问题会导致线上与线下特征不一致，第三类则可能导致特征在不同时间段存在差异。针对不同原因的处理建议如下：
• 在线与离线数据不一致：需查明数据差异的根本原因，并将数据同步恢复至一致状态，之后重新验证特征的一致性；
• 特征处理逻辑不一致：应立即修复逻辑差异，并评估修复前后的影响范围；
• 数据状态变化：需分析变化是否合理，并评估对特征稳定性的影响，尽可能使数据保持与未来线上环境的一致性。

2. 原始字段异常

原始字段在覆盖率或取值分布上出现异常，可能源自数据采集、处理、存储或应用等各个环节。此类问题需技术团队与业务团队协同排查，具体问题具体分析。
当发现原始字段的覆盖度或取值分布异常时，应立即追踪受影响的特征及其在业务场景中的应用情况。若该特征已被应用于模型或规则中，则需尽快评估其对业务决策的影响：

• 若影响可控：修复异常后继续使用；
• 若影响较大且短期无法修复：应考虑临时切换模型或规则，或启用备用方案以保障业务稳定运行。