在风控模型的开发与优化中，许多从业者常常陷入无尽的特征挖掘、标签调整和模型迭代中，却忽略了核心问题：如何高效地提升模型的价值。本文从风控模型的三大痛点出发，指出模型开发中真正值得投入的优化方向，供大家参考。

模型训练，就是模式识别，模型本身是一个复杂的函数。模型越复杂，你就可以理解这个函数最强，模式识别地越精准。

一个想法值不值得做，你只需要判断它有没有信息增益，以及大概有多大，后者尤其重要。建模是其实现，想法本身的价值是模型价值的上限。

而判断一个想法有多大的信息增益，基本都可以在事前，不需要建模去试。

如果你知道这一点，并且掌握基本的事前判断能力，你的风控模型工作就必然是如此之简单。

本文要做的就是阐述这两点。如果此番决策逻辑被清晰地阐述，就必然得出了一个让很多人羞愧的结论：如果你做模型做得很忙很累很头大，不仅不能说明你牛逼你努力，反而说明的是你不懂风控。

很好，我写了一个很有力的开头。‍

常常引发无数模型同学熬夜加班掉头发的困扰，大概都在三点优化上：特征、标签和客群。

我们一个一个说。

一、特征优化

开发新特征、引入新的数据源，在已有的特征域上进一步衍生特征，都在此列。这三点优化，对模型KS有多大的提升？你可以结合你的经验思考这个问题。

如果说引入一个新的数据维度，模型效果提升10%，那么对该数据维度过度衍生特征，其增益还得乘10%。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

例如你引入了银联银杏分，把它融合进你的A卡模型里，效果提升10%，这是很合理的大致范围，KS从30变成了33；假如你去银联联合建模，定制一个模型，再把它融合进你的A卡模型里，也许KS能更高一点，例如34；假如你嫌弃银联底层变量不够，你硬要强行衍生更多变量，再建模型，融入A卡，那KS几乎还是34，可能是34.1、34.3、34.5，绝对不会变成35。‍‍‍‍‍‍‍‍‍‍‍‍

再例如征信数据，从几百个变量，衍生到几千个变量，到几万个变量，对KS的提升，顶多有一次10%，很快就边际递减到1%，到忽略不计。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

因为信息增量随着特征数量边际递减。纬度爆炸的价值是那个1%，不是10%。

1%的价值做还是不做？如果不麻烦，当然可以做。但如果这个1%只能用在很小的客群分支上，那就不用做了。

例如，一个很新奇的想法，它可能有点用，但是因为做法过于奇怪，有较大的操作风险，策略最多会在一个特别小的分支流量上应用，1%的增益，叠乘一个10%的流量，再加上策略应用对模型性能的折损，这个项目你做吗？

二、标签优化

涉及标签优化的模型工作，主要就是换不同标签做不同的模型。长期风险表现做一个模型，短期风险表现做一个模型，例如mob12和mob6，甚至mob3、FPD。

既然有长期短期，进一步就有长短期，短期好长期坏怎么办？是不是要建三个模型？‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

长短期、长期、短期，它们有等式关系，这意味着其中任意两个的信息量就是全部的信息总量。建两个模型就等于三个模型，f_长短期=g(f_长期, f_短期)，这个g是简单的，留给策略就好了。

甚至我们还可以这样理解，短期的坏最坏，长期的坏比短期的坏略好，长期的好最好，二分建模的时候，长期还是短期，无非是二分的gap大小的问题。

长期和短期的信息量也不过是10%这个级别的差异而已。两个模型相比一个模型，也不过是10%这个级别的增益而已。

基于此逻辑，如果一个模型在一个标签下好于另一个模型，那就是各种标签下都好。你不用关心他们的建模目标是什么。当然，我们说的是一般情况。

从朴道、百行那里给你10个评分产品，你去测试，完全不需要考虑这些产品是基于什么样的标签做成的。你只关心绝对效果及其可靠性，和价格。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

三、客群优化

这里主要包括，分客群建模和常规化的迭代模型，他们本质上都是样本即客群的差异化。‍‍‍‍‍‍‍‍‍‍

两个完全不同的客群分别建模是有必有的，例如12%、24%、36%这样不同定价的客群，例如花呗、借呗这种不同类型的产品。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

但如果你没有资源这样分别建模的话，你把不同客群的样本合在一起建模也是可以的。复杂模型会自动解决样本差异问题，当你合理增加模型复杂度，一个模型相比多个模型的信息量的减少会越来越小。

如果你不太相信，我们换一个说法，以树模型为例：分客群建模可以看作第一层分裂进行了手动分群，合并建模就是留给算法自己分。如果你保证后者的复杂度和前者一样，树深+1或棵树x2，模型的信息量能有多大区别？‍

当然，有别的原因限制你不同产品各自建模，例如它们背后的可衍生特征不一样，组织架构权责有别。‍‍‍‍‍‍‍‍‍‍‍‍

所以，如果你有多个产品，多个客群，要和某个数据源联合建模，完全不需要分客群建立多个模型，你只需要合理构建你的样本组合。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

模型迭代也是一样，其客群差异由时间界定。把新样本加入进来，不要只要新样本。该话题我们已经讨论足够多了，到此为止吧。如你需要，请看《什么是好迭代》及文中指向的三篇文章。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

到了该建立方法论的时候了。

我们的讨论有两个关键词：信息量和边际递减。我们做更多模型的努力，只会带来边际递减的信息增量。

我要借助结构力学中一阶和二阶的概念。结构在受力后会产生形变，一般而言结构变形是微小的，可以忽略变形对内力分布的影响，这就是一阶分析。如果我们考虑形变Δ，结构在承受竖向荷载P时因形变会产生附加弯矩（即P-Δ效应）从而导致结构进一步变形，这是二阶效应。‍‍

一阶是直接的，二阶是间接的；一阶是先的，二阶是后的；一阶是好做的，二阶是不好做的……‍‍‍‍‍‍

我要总结的底层逻辑是，模型开发存在一阶效用和二阶效用，一阶效用值得做，二阶效用不值得做。‍

一阶的增益是你决策的依据，二阶不是，二阶的价值不是你决策的依据，是你资源过剩可以安排干的事情。

当你的业务目标，例如余额规模和风险指标，还有很大差距的时候，你肯定要找一些事情做，但不是什么都有用，去找具备一阶效用的事做，不要找二阶效用的事做。

如果你业务玩不下去了，却提需求给模型同学说必须靠你这个二阶优化，不然业务就黄了，那不是坏就是蠢，你应该去寻求其他的解决方案。

例如去找更好的流量，去找更有效的三方数据，不要去做无穷个特征，做无数个模型。

我见过很多无效的项目，浪费了很多人无数的时间。那些辛辛苦苦加班熬夜的时间，不仅毫无意义，还起到了反重用：它让你对工作是如此的厌倦和疲惫，以至于你的成长还不如一天就上八小时可以获得的那么大。

当你把时间都花在没有意义的建模试验和调优上，你不焦虑吗？对于只有二阶效用甚至更高阶效用的任务，最好的做法就是拒绝掉这样的项目。拖黄掉不会有多大的损害，做好了也没有多大的益处。

不幸的是，大部分团队，80%的时间都在做只有二阶效用的东西，20%在做一阶效用。

前面我说：如果你做模型做得很忙很累很头大，不仅不能说明你牛逼你努力，反而说明的是你不懂风控。好吧，我承认，我太严格了。你说你身不由己，但既然如此，何必内耗？

再一次强调，经验让工作更轻松。如果你没有，你一定心存怀疑，请务必相信你的怀疑。

我可以下这个断言：任何人，如果模型工作做得累得要死，都是因为违背了本文所提的决策逻辑。你应该知晓这件事情，想清楚这个违背是因为什么，再想办法改善自己的处境。

最后，让我们给我们的决策逻辑起一个宏大的口号，就像AI大模型那样：

Less work, more value.