模型开发是为业务需求服务的，高效解决业务的难点和痛点，就是模型开发的护城河。本文对模型开发中的模型定位和目标、标签定义、样本选择等方面进行了概述，一起来看一下吧。
模型开发是为业务需求服务的，高效解决业务的难点和痛点，就是模型开发的护城河。而不是所谓的算法。
业务有什么样的需求，模型就要做针对性的设计。这是实际工作中最吃功夫的内容。也是和那些建模比赛差异点最大的地方。
模型开发并不是一件容易的事情。所以更要确保各个环节合理有效，才能完成整个项目的交付。关键要点包括模型定位的合理性、数据质量的可靠性、建模方法的适用性、模型输出的准确性，以及模型表现的稳定性。
模型开发周期可根据项目的需求及难度可以适当调整，开发期间通常需要安排至少 3 次里程碑会议。
我们下面概述下模型开发中最为关键的内容，包括模型定位和目标、标签定义、样本选择、数据来源与处理、模型开发和模型评估。
为了量化处理业务中不同的实际问题，模型开发方需要与业务方沟通确定建模目标。
我们知道，信用风险模型主要是为了评估用户还款能力和还款意愿；反欺诈反作弊模型防止用户骗贷、薅羊毛和保证平台安全等功能；资本计量模型主要适用于 Basel 体系确定最低资本要求和进行压力测试。
但模型定位和目标的沟通不止于此。我们需要了解的更多，模型被用于哪些场景，模型的应用客群是什么，有没有需要重点针对的客群，预期效果怎么样，什么时候要用等等。
目标是 KS 越高越好，还是 30 以上就行（这个 30 应该是参考已有模型的一个经验值），对接下来的模型方案是完全不同的。
前者是寻求上限问题，要求你清楚地知悉现有体系的弱点，在合理的排期下做最优决策。特征空间是不是跟不上业务的发展了，标签定义是不是可以改进，业务上是不是在做新的客群，是不是需要分客群建模，能不能用外部的数据做实时模型，等等问题都需要回答。
后者是保证下限问题，实现起来容易地多，挑最重要的一两个点进行优化，往往就能解决。
标签一般分为 GBIE，G 是 good 好用户，B 是 bad 坏用户，I 是 indeterminacy 不确定用户，E 是 exclusion 排除用户。
我们从观察点开始看用户，这个时点不需要考虑的用户就可以定义为 E 用户，例如信用模型不考虑欺诈用户。表现期内风险良好的定义为 G，风险高的定义为 B，中间段还设有 I。
观察期的长短视特征加工的时间范围确定，表现期的长度需根据 vintage 曲线定义。我们需要客户的违约是比较稳定的，这样才能保证结果的准确性。B 逾期程度的定义需要计算滚动率。
工程上，这些定义会有很多明细要求。
样本选择是最能体现模型开发定位和目标的，也是最吃功夫的部分。不同模型的开发，其他的有迹可循，唯有样本的选择是各有各的不同。
选取样本时要考虑样本的代表性，是否能够有效地代表总体，必须包含可靠的预测信息和表现信息。通常来说在选择样本上需遵循三点原则：
需要剔除的样本，一般就是非模型应用客群，这个被定义在 E 客群上了，自然就被建模排除在外了。
在样本数据较大及运算能力有限的情况下，应对总体样本进行抽样处理。
一般，业务简单就随机抽样，业务复杂精细化程度高，就分层抽样。
好坏样本的比例总是差别很大的，尤其是反欺诈这个场景里面。极端的不平衡可能会导致模型忽略小样本的学习。
1）欠采样
2）过采样
在通过欠采样或者过采样后，样本的比例发生了变化，因此需要在入模时通过权重调整法将比例调回来。如果只在乎排序性，这个也可以不考虑。
林子大了什么鸟都有。不同的人差别可能很大，一个模型不能有效地适用于所有客群。有时间需要用不同的特征来对不同的人群进行预测，即构建多个模型运用在各个子客群上。
分群也可以分为基于经验的分群和基于数据的分群。
基于经验的分群，主要是利用从业务知识中了解到的客群差异分群，如不同的营销渠道上风险差异较大，新的子产品上线了，业务更下沉了等等。
也可以通过聚类、决策树对数据进行分群，但因为我们本身建模都用集成树模型，分群本身就是树模型训练时干的事情。做任何额外的工作，都要考虑下必要性。
数据一般分为内部数据与外部数据。内部数据，是公司内部搜集存储的客户信息，例如商户在平台的销售、贷款、运营信息，客户的登陆、注册、消费信息等；外部数据一般为第三方数据，例如人行征信报告、运营商数据、第三方机构提供的多头借贷数据等。
模型开发文档中需明确列出所用到的数据来源和特征列表，并且需要多方确认数据可用，包括持续稳定和监管许可等。
同时，模型开发还需要考虑对缺失值处理和异常值处理。
直接删除含有缺失值的样本，缺失值较少，这是比较合适的，但当缺失值样本比例较大时，就会产生较大损失。
根据样本之间的相似性填补缺失值是更技术的方法。但是工程上更常用的方法是根据经验进行默认值填充，例如-1 或者 0 等。
不处理也是一种处理，而且也许是最好的处理。尤其是风险模型都在用 XGB，它可以自动学习缺失的最优划分。
异常值是指明显偏离大多数数据分布的数值。可以采用离群值检测的方法来找出样本总体中的异常值。
有单变量离群值检测、局部离群值因子检测、基于聚类方法的离群值检测等等。
同样的，如果是树模型预测分类问题，异常值处理并没有太大必要。
变量分为数值型变量和类别型变量。两者筛选不太一样。
数值型变量筛选可以用特征稳定系指数（Characteristic Stability Index）、信息价值（Information Value）、模型重要性排序（Feature Importance）等多方面考量，对于使用证据权重（Weight of Evidence, WOE）转换的模型，需保证根据变量分组后的样本分布符合业务逻辑。
对于类别型变量指标，应选择样本分布符合业务逻辑的变量，并考虑各类别取值的分布是否充足且较为均衡，避免因少数异常值伤害类别的代表性。
应根据业务需要、建模目标和数据特点选择最合适的建模方法。
主要包括线性回归模型，非线性回归模型，广义线性回归模型，逻辑回归模型和时间序列模型。
线性回归、非线性回归或广义线性回归，用于拟合数值型因变量与自变量的函数关系，函数类型需根据实际情况进行尝试与选择。
逻辑回归模型用来处理因变量为分类变量的问题，通常用于二分类或二项分布问题，也可以通过累积逻辑回归（Cumulative Logistic Regression）处理多分类问题。
时间序列模型，用于根据已有历史数据对未来进行预测，可根据实际数据情况，选择回归差分移动平均模型 （ARIMA），向量自回归模型（VAR）或广义自回归条件异方差模型 (GARCH）等。
机器学习类模型大体分为 3 类：监督学习、无监督学习和强化学习。
监督学习有标签去计算预测正确与否；无监督学习则没有，算法仅尝试根据数据的隐含结构进行分类；强化学习会接收反馈，但反馈并非对每个输入或状态都是必要的。
风控模型中最常用的是集成树模型。相比于逻辑回归的线性分割，决策树类模型可以寻求非线性分割，以实现最优的样本空间分割。
在建模过程中，需要有训练集、测试集和验证集。模型训练是基于测试集上的效果去迭代模型训练过程。训练完成后要在验证集（最新的时间窗口内）上计算各种指标，例如回归模型中的 R-square 等，分类模型中的 AUC，AR，KS，GINI 系数等。
模型上线后怎么用，就应该怎么评估。
如果要拓展下层客群的授信，就要把下层客群单拎出来计算，而不是混在全体样本里充数。
如果要和已有模型交叉使用，就需要评估交叉效果。
如果数据源可能会缺失，就应该评估缺失后的效果，若可接受，则后期数据源发生缺失时，调整下阈值接着用，而不是下线不用。
等等。
模型开发时我们总在关心模型效果，但当模型开发完后，最重要的是稳定性。没有策略会盯着模型分的变动反复调整阈值的。有问题的变量千万不要用。
无法详尽。
我在参加人人都是产品经理2022年度作者评选，希望喜欢我的文章的朋友都能来支持我一下~
点击下方链接进入我的个人参选页面，点击红心即可为我投票。
每人每天最多可投35票，投票即可获得抽奖机会，抽取书籍、人人都是产品经理纪念周边和起点课堂会员等好礼哦！
投票传送门：https://996.pm/7mXqv
专栏作家
雷帅，微信公众号：雷帅快与慢，人人都是产品经理专栏作家。风控算法工程师，懂点风控、懂点业务、懂点人生。始终相信经验让工作更简单，继而发现风控让人生更自由。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。