问题1：分箱后，各箱badrate单调递增从业务上怎么理解呀？

我们有个先验知识，多头越多badrate越大，历史逾期越多badrate越大…等等，如果变量分箱后不符合这个先验，可能就把他剃掉了。

Bad Rate：

坏样本率，指的是将特征进行分箱之后，每个bin下的样本所统计得到的坏样本率

bad rate 单调性与不同的特征场景：

在评分卡模型中，对于比较严格的评分模型，会要求连续性变量和有序性的变量在经过分箱后需要保证bad rate的单调性。

  1. 连续性变量：

在严格的评分卡模型中，对于连续型变量就需要满足分箱后 所有的bin的 bad rate 要满足单调性，只有满足单调新的情况下，才能进行后续的WOE编码

  1. 离散型变量：

离散化程度高，且无序的变量：

比如省份，职业等，我们会根据每个省份信息统计得到bad rate 数值对原始省份信息进行编码，这样就转化为了连续性变 量，进行后续的分箱操作，对于经过bad rate编码后的特征数据，天然单调。

只有当分箱后的所有的bin的bad rate 呈现单调性，才可以进行下一步的WOE编码

离散化程度低,且无序的变量：

比如婚姻状况，只有四五个状态值，因此就不需要专门进行bad rate数值编码，只要求出每个离散值对应的bin的bad rate比例是否出现0或者1的情况，若出现说明正负样本的分布存在极端情况，需要对该bin与其他bin进行合并， 合并过程完了之后 就可以直接进行后续的WOE编码

有序的离散变量：

对于学历这种情况，存在着小学，初中，高中，本科，硕士，博士等几种情况，而且从业务角度来说 这些离散值是有序的， 因此我们在分箱的时候，必须保证bin之间的有序性，再根据bad rate 是否为0 或者1的情况 决定是否进行合并，最终将合并的结果进行WOE编码

因此bad rate单调性只在连续性数值变量和有序性离散变量分箱的过程中会考虑。

bad rate要求单调性的原因分析：

逻辑回归模型本身不要求特征对目标变量的单调性。之所以要求分箱后单调，主要是从业务角度考虑，解释、使用起来方便一点。如果有某个（分箱后的）特征对目标变量不单调，会加剧模型解释型的复杂化

对于像年龄这种特征，其对目标变量往往是一个U型或倒U型的分布，有些公司／部门／团队是允许变量的bad rate呈（倒）U型的。

原文链接： https://blog.csdn.net/shenxiaoming77/article/details/79548807

文末免费送电子书：七月在线干货组最新 升级的《2021最新大厂AI面试题》免费送！

问题3：如何评估外部第三方数据？

对于一个放款机构来说，当自有数据不足以满足风控需求时，会引入外部的第三方数据来提升自己的风控水平，所以该如何评估新的数据源是否可用呢？本篇文章会围绕这个问题进行详细讲解，主要分为线下数据评估，线上数据测试，线上数据监控三个部分。

一. 线下数据评估

这里我会按线下数据评估的流程，结合自己平时的工作经验来写。

接入外部数据的目的

首先，外部的数据源可以大致分为四类：黑名单类，评分类，变量类，原始数据类

外部数据的接入一开始主要由商务跟第三方进行接洽沟通，所以风控人员应该把接入数据的目的传达给商务，商务才能根据目的找到合适的第三方数据公司。 一般有以下几个目的：

  • 用于优化现有的模型，一般会考虑接入变量类和原始数据类
  • 用来设计策略，一般会接入黑名单类，评分类的数据
  • 丰富用户画像的维度，这种数据能反映用户的某些属性，一般考虑原始数据类

2.提供线下测试样本

根据接入目的的不同，测试样本也会稍有差异，比如为了优化现有模型，就最好提供建模时所用的数据样本。但大致上测试样本需满足以下几点：

  • 连续一段时间内的样本，可以评估数据的稳定性
  • 最好是近段时间的样本，这样线下评估结果与线上实际效果差距不会太大
  • 其他特殊条件，如覆盖不同的产品和客群
  • 另外考虑到第三方那测试的成本，样本能测试的数量，能测试几次，这点需要商务那边去沟通好。

3.了解数据含义和构成

一般第三方会返回数据的详细产品报告，风控人员从中需要了解数据的底层逻辑和构成，了解数据背后的业务含义，这方面可以和第三方的人员进行不断的沟通。

4.数据分析评估

线下的数据评估一般会考量以下几个方面：

**查得率，**就是提供的样本在第三方那能命中多少用户

**覆盖率，**一般指的是特征的缺失概率

**稀疏性，**代表数据富含信息的程度

**稳定性，**一般计算时间序列上的PSI

**有效性，**好坏样本的区分程度，IV和KS比较常用，也可以把特征带入模型，评估对模型的提升效果

**可解释性，**数据的业务含义是否容易解释

**与现有数据的共线性，**一般用相关系数衡量

数据的接入成本，这个需要考虑到接入数据后，增加的利润能不能覆盖掉支出的数据成本

另外不同种类的数据源考量的东西也不一样：

黑名单类一般用在反欺诈环节，所以主要考虑到“命中率“和”准确率“，即命中的用户逾期概率比较高。

评分类一般用作策略和模型，主要考量“缺失率”，“稳定性”，“有效性”，如果评分的排序性好且IV比较高，则考虑入模，如果评分有明显的尾部极端优势，那适合做策略，用来拦截掉极端的坏用户。

变量类考量的东西和评分类差不多，但会考虑到变量和现有数据的共线性，以及在效果上的重叠性。

原始数据一般是爬虫类的数据，目前在监管趋严的情况下，数据的合规性是首先要考虑的，另外原始数据需要在特征衍生之后才能评估数据的价值。

二. 线上数据测试

因为线下评估用的数据是线上回溯的历史数据，而在实际情况中，线上与线下的数据存在一定差异，并且客群和市场环境也在不断变化，所以需要线上数据测试来评估外部数据在真实应用中的效果。笔者在工作中用到的主要是模拟测试和切分流量的AB-Test。

  • 模拟线上测试

将接入的数据配置成策略，放在真实环境中“试运行”，记录每天的数据分布，通过率等指标，将线上与线下的结果进行比对是否一致。

  • AB-Test

当策略试运行的结果还不错时，可以将一部分的流量(用户)切到新策略中，将现有策略和新策略进行比较，计算策略的通过率，准确率等。

三. 线上数据监控

当外部数据上线之后，需要有一套标准的数据监控体系，观察数据的变化，及时发现异常问题。监控的东西主要有接口的调用情况，数据的覆盖率，稳定性等。

解析参考链接： https://www.zhihu.com/people/yu-xin-xin-57/posts

问题4：简单描述一下风控建模的流程？

前期准备工作：不同的模型针对不同的业务场景，在建模项目开始前需要对业务的逻辑和需求有清晰的理解，明确好模型的作用，项目周期时间和安排进度，以及模型效果的要求。

模型设计：包括模型的选择（评分卡还是集成模型），�