2.2 数据准备与预处理

2.2.1 数据源

营销类评分模型追求高的响应率和预测的准确性，风险和欺诈类模型则追求高的覆盖度，最好能将欺诈客户一网打尽，哪怕误报率会高一些（准确性要求可适当降低）。更多的数据源意味着更可能全面覆盖欺诈案例，发现各种形态的欺诈行为和特征，因此训练欺诈评分模型的数据量和变量数都会更多，除了信用卡公司自有数据外，各种外部数据都会被引进、尝试并通过模型评估。

下面以近一年的信用卡交易信息为主体，辅以三个月内网络行为以及法院、电信、人行征信等方面的外部数据，以便尽可能全面地了解客户，为欺诈者画出负面画像，从而预防欺诈行为的发生。具体如图2-1所示。

图2-1 欺诈评分模型的数据源

从已掌握的近一年的历史数据中，选取有欺诈行为的客户作为坏样本，与正常客户做对比。相对纯粹的数据公司，掌握“坏”样本也是信用卡公司和互联网金融公司的优势，即可以通过有监督的机器学习，评估各类数据对于反欺诈的实际价值，而不仅仅是建立各类查询信息库。

2.2.2 变量设计

首先是目标变量Y。如果客户在欺诈之列则打上标签“1”，否则打上标签“0”, Y为二分类变量。依据历史数据，客户要么有过欺诈行为，要么没有，非0即1，而未来，客户是否会欺诈并不能绝对确定，而是用概率表示发生欺诈行为的可能性。计算出这个概率（即Y=“1”的概率）就是评分模型的目的。

评分依据是能够体现欺诈行为、与Y有一定关系的一组客户信息，即自变量X。引入营销学中的RFM模型（R为最近一次消费间隔时间；F为某段时间内消费次数；M为某段时间内消费金额），将各类行为视作消费来处理。可以按照客户与时间跨度加工成若干个自变量X，例如客户信用卡持卡时长、一年内信用卡逾期次数、最近一次查询人行征信距当前间隔天数、客户一年内月均消费金额、最后还款日前三天内还款次数占全部还款次数的比例、客户一年内浏览儿童用品网站次数等，全部变量约1000个。表2-1所示是部分预测变量的样例。

表2-1 预测变量X（部分样例）

按照客户号准备这些数据，每人一条，最终形成如表2-2所示的建模宽表。与营销响应率模型相比，欺诈行为属于稀疏事件，很难做到像营销模型那样按时间窗预测，一般不区分X和Y的先后顺序，而是从大量历史数据中归纳欺诈行为的一般特征和规则。

表2-2 欺诈评分模型数据宽表（Train）