三方數(shù)據(jù)希望能夠解決自己的部分工作事務(wù)，以留出更多的時間來處理其他事務(wù)。那么關(guān)于三方數(shù)據(jù)該如何進(jìn)行管理呢？需要注意一些什么問題？本文梳理了相關(guān)工作流程，分享了三方數(shù)據(jù)掃盲貼，希望對你有所幫助。

日常工作過于繁瑣，以至于感覺自己又從產(chǎn)品轉(zhuǎn)型成商務(wù)了。所以就三方數(shù)據(jù)管理希望交出部分工作以解放其余工作的時間。常規(guī)風(fēng)控系統(tǒng)、應(yīng)用的討論，至少在人人都是產(chǎn)品經(jīng)理上，已經(jīng)涉及了決策引擎、大數(shù)據(jù)平臺等，但如果就三方數(shù)據(jù)的日常管理作為一項(xiàng)單獨(dú)工作的討論較少。

在《征信業(yè)務(wù)管理辦法》實(shí)施近一年，“過渡期”越來越短的當(dāng)前，三方數(shù)據(jù)管理應(yīng)當(dāng)可以單獨(dú)設(shè)置一個篇幅來討論日常的工作流程。此文既作為對接手三方數(shù)據(jù)部分工作的同事的掃盲貼，也作為自己這項(xiàng)工作的總結(jié)，以供同行討論批評。

一、《征信業(yè)務(wù)管理辦法》相關(guān)

2022年后的三方數(shù)據(jù)管理，是繞不開此辦法的出臺及執(zhí)行的。此管理辦法共計八章53條，共計4800字左右，預(yù)計十五分鐘左右可以閱讀完。其也是基于原征信業(yè)管理辦法、之前試點(diǎn)八家征信機(jī)構(gòu)的實(shí)際，所出臺的。網(wǎng)上有諸多解讀，不再贅述，挑選幾個我個人覺得比較重要的點(diǎn)摘錄解讀。

第三條 本辦法所稱征信業(yè)務(wù)，是指對企業(yè)和個人的信用信息進(jìn)行采集、整理、保存、加工，并向信息使用者提供的活動。
本辦法所稱信用信息，是指依法采集，為金融等活動提供服務(wù)，用于識別判斷企業(yè)和個人信用狀況的基本信息、借貸信息、其他相關(guān)信息，以及基于前述信息形成的分析評價信息。

相較于八家征信機(jī)構(gòu)試點(diǎn)期間的情況，當(dāng)時對于“個人信息”，及“個人征信信息”，是缺乏一個明確的界定的，大都特指一些多頭借貸數(shù)據(jù)，以及在各種不同的機(jī)構(gòu)中借款的借貸信息等。至于如行程軌跡信息，支付信息等，我個人理解在之前是從未明確說明是否為“信用信息”的。根據(jù)本辦法的解讀，個人理解“只要用于金融活動”，即可稱為“信用信息”。即“信用信息”的內(nèi)涵被擴(kuò)大。

第五條 金融機(jī)構(gòu)不得與未取得合法征信業(yè)務(wù)資質(zhì)的市場機(jī)構(gòu)開展商業(yè)合作獲取征信服務(wù)。本辦法所稱金融機(jī)構(gòu)，是指國務(wù)院金融管理部門監(jiān)督管理的從事金融業(yè)務(wù)的機(jī)構(gòu)。地方金融監(jiān)管部門負(fù)責(zé)監(jiān)督管理的地方金融組織適用本辦法關(guān)于金融機(jī)構(gòu)的規(guī)定。
第五十條 以“信用信息服務(wù)”“信用服務(wù)”“信用評分”“信用評級”“信用修復(fù)”等名義對外實(shí)質(zhì)提供征信服務(wù)的，適用本辦法。

此條基本上堵死了所有原三方數(shù)據(jù)公司的路，使其不得不轉(zhuǎn)型。所有持牌金融機(jī)構(gòu)不得與百行、樸道之外的機(jī)構(gòu)合作。不論之前的名義與形式如何，此兩條與上述第三條結(jié)合，基本上框死了三方數(shù)據(jù)機(jī)構(gòu)、征信機(jī)構(gòu)及應(yīng)用方的位置。

第十二條 征信機(jī)構(gòu)采集個人信用信息應(yīng)當(dāng)經(jīng)信息主體本人同意，并且明確告知信息主體采集信用信息的目的。依照法律法規(guī)公開的信息除外。
第二十三條 信息使用者應(yīng)當(dāng)采取必要的措施，保障查詢個人信用信息時取得信息主體的同意，并且按照約定用途使用個人信用信息。

此兩條規(guī)定了采集方和使用方雙方的一個要求。即采集方需要獲得授權(quán)，同時使用方也得獲得授權(quán)?；谝陨先齻€部分，金融機(jī)構(gòu)使用任何信息應(yīng)用于金融業(yè)務(wù)，都需要通過百行、樸道進(jìn)行，即所謂的數(shù)據(jù)”斷直連”。

二、三方數(shù)據(jù)掃盲

1. 三方數(shù)據(jù)是平常買的菜

常規(guī)的量化風(fēng)控決策，上游大體是核心系統(tǒng)、CRM系統(tǒng)，推送的客戶信息由路由分解給人工審批或量化引擎（也存在量化引擎判斷’存疑’的客戶再推送給人工審批的可能）。決策引擎收到客戶信息后，結(jié)合數(shù)據(jù)集市、標(biāo)簽管理平臺（衍生變量計算平臺）、風(fēng)控模型管理平臺，對客戶的是否為黑名單進(jìn)行判斷，對客戶的綜合評分判斷是否準(zhǔn)入。

三方數(shù)據(jù)參與數(shù)據(jù)集市及標(biāo)簽管理平臺，乃至作為一個入?yún)⑴c模型的管理和變更。如果其他系統(tǒng)平臺是鍋碗瓢盆的話，三方數(shù)據(jù)更類似于每天要去菜市場采買的菜。

一個常規(guī)的策略做飯過程為：客戶->基礎(chǔ)核驗(yàn)->涉法核驗(yàn)->反欺詐評估->多頭借貸情況評估->評分定價評估->自有模型評估。每個環(huán)節(jié)都需要不同數(shù)據(jù)產(chǎn)品參與。

2. 市場上都有什么菜

就三方數(shù)據(jù)，在淺薄的認(rèn)知中沒有一個權(quán)威的指導(dǎo)標(biāo)準(zhǔn)。結(jié)合近兩年的工作，大體整理如下。在此沒有包含人行征信數(shù)據(jù)，人行征信數(shù)據(jù)是一個不斷完善的整體畫像，不能單純的歸為哪類。需要單獨(dú)說明的，是“其他”類的數(shù)據(jù)，關(guān)于反洗錢的名單、貸后管理的情況及學(xué)生身份確認(rèn)，不甚清楚是只有持牌機(jī)構(gòu)會被監(jiān)管機(jī)構(gòu)關(guān)注到，還是全行業(yè)均有同樣的需求和問題。

不論各家公司產(chǎn)品描述的如何花里胡哨，但是分類上是一定能劃分進(jìn)如下的分類的。誠然，不同的公司在技術(shù)實(shí)力、數(shù)據(jù)源獲取能力上，有一定的差異，但是在穿透過去的原始數(shù)據(jù)源中，一定仍然是那些信息。

因此在之前的三方數(shù)據(jù)引入中,曾經(jīng)想過全數(shù)據(jù)類型制霸。但介于種種原因，最后并未完成。定性認(rèn)知上覺得可能效果不錯的三方支付通道的支付數(shù)據(jù)，也因?yàn)榉N種原因沒有完全覆蓋。

曾經(jīng)設(shè)想過，因?yàn)榻鹑诮灰卓倸w會體現(xiàn)在賬戶余額變動上，如果可以合理合法地獲取用戶基于銀聯(lián)、網(wǎng)聯(lián)、三方支付（支付寶、微信、平安付）的全部評分，很可能能做出來一個干凈的客戶畫像，但因?yàn)殡y度太大而作罷。希望百行、樸道入場后，有一天可以基于這個想法來談?wù)劷?jīng)驗(yàn)。

核驗(yàn)類的數(shù)據(jù)均來源于權(quán)威數(shù)據(jù)源，這個“權(quán)威”是指，公安一所三所、銀聯(lián)、及三大運(yùn)營商。市面上所提供此類驗(yàn)證服務(wù)的，原始數(shù)據(jù)源也只可能是這幾家權(quán)威數(shù)據(jù)源。‘增信類’核驗(yàn)，社保相關(guān)評分、工作公司驗(yàn)證除金保信外，似乎沒有其他可輸出的權(quán)威數(shù)據(jù)源。車輛信息，歷史有部分險司或者導(dǎo)航公司輸出過。公積金信息據(jù)了解至今未完全地全國聯(lián)網(wǎng)，各家數(shù)據(jù)源也是只能輸出部分信息。

其他商業(yè)險、增信保險出險情況等，了解到也只有銀保信在輸出。

風(fēng)險名單類整體分為兩個部分，一是金融機(jī)構(gòu)的黑名單，如各公司自行積累的，歷史逾期超過一定時間的客戶情況，另如歷史在P2P頻繁借款及逾期的客戶情況；另外二是公檢法類的黑名單，如客戶被起訴、被執(zhí)行、乃至涉及犯罪的信息。就實(shí)際感受來講，這部分黑名單從定性上來說，確實(shí)可以理解其“風(fēng)險性”。

但是沒有條件，也不敢，也未曾見過其他機(jī)構(gòu)去測試，稍微放寬一下要求后，整體的不良率表現(xiàn)如何。消費(fèi)金融或小貸公司，本身就面對著下沉客戶，用黑名單歷史框死客戶，是否會導(dǎo)致之后的客戶做無可做。

評分是各家公司主要輸出的產(chǎn)品。不論名稱多么花里胡哨，按業(yè)務(wù)流程上只分為綜合、反欺詐、貸中三類。至于貸后評分，因?yàn)橛懻摰闹饕菧?zhǔn)入側(cè)的問題，就沒有納入。當(dāng)然各家公司也可以與輸出方進(jìn)行聯(lián)合建模，單獨(dú)列出來是想說明其特殊性。

各類評分就如同碳水雕花。評分有其顯著的優(yōu)點(diǎn)，如不需要過多去研究內(nèi)在邏輯和關(guān)聯(lián)性，測試起來簡單明了，基本上跑一遍LR，大體會有一個初步的結(jié)果。但其顯著的缺點(diǎn)也是這個，以前討論LR/xgb+boost等方法的優(yōu)缺點(diǎn)時，經(jīng)常會說到，LR的變量具有清晰地解釋性，但xgb方法，經(jīng)常跑的結(jié)果莫名其妙。

但是評分這類產(chǎn)品，LR的解釋性優(yōu)勢也當(dāng)然無存。但是某種意義上來說，“如非必要，勿增實(shí)體”的原則，在評分類產(chǎn)品中我個人理解是做的不太好的。經(jīng)?？梢钥匆娭T多公司提供長篇累牘汗牛充棟的評分產(chǎn)品。但測試起來相關(guān)性肉眼可見的高，對產(chǎn)品的增益也非常的接近。這就純屬浪費(fèi)使用方時間了。

變量、標(biāo)簽、畫像與評分實(shí)際上是沒有刀琢斧砍的清晰的分界線的。與評分的差異，在于其字段名稱中，就業(yè)務(wù)上可以提供一些信息，如某字段的名稱叫做“客戶近一個月xx行為的分級”，就可以多提供一些業(yè)務(wù)上的信息，比揉成一坨的評分要稍微強(qiáng)些。

畫像提供的變量，基本上可以滿足自行建模的需求了，當(dāng)然實(shí)際使用中也就會開始存在“你不知道為什么這個變量有用，但他就是有用”的情況。

3. 怎么去買菜

在《辦法》執(zhí)行后，一開始我盼望著以后買菜，只需要找比如百行的郝芳晨、雷國軍，以及樸道的陶乾幾位厲害的老師。

但實(shí)際執(zhí)行下來，基于三方數(shù)據(jù)從一開始就有的幾個痛點(diǎn)，如①數(shù)據(jù)公司的數(shù)據(jù)源所提供的數(shù)據(jù)，與你的客戶不可能完全重疊，即覆蓋率一定會有問題 ②百行樸道所覆蓋的數(shù)據(jù)源也是不斷完善，而不是已經(jīng)覆蓋了全行業(yè)的所有數(shù)據(jù) ③另，每個公司策略實(shí)施的實(shí)踐是不一樣的。假如同行業(yè)的策略組都想做個“四喜丸子”，在其他公司的策略都是紅燒的做法的時候，你是攔不住本公司的策略組結(jié)合

實(shí)際想做醋溜四喜丸子的。因此，在買菜之前，還是有一些流程要進(jìn)行。

（1）三方數(shù)據(jù)公司的選擇

針對實(shí)際原始的數(shù)據(jù)源公司，首先是有些唯一的排他性規(guī)則。即如果公司沒有客戶對其的清晰授權(quán)，不接；公司與樸道百行沒有完成合作，不接。在過渡期到明年6月都截止的情況下，現(xiàn)在還去新增接入一些合規(guī)上可能有瑕疵的公司，是可能存在問題的。當(dāng)然，這部分的兩條要求其實(shí)可以簡化為一條，即實(shí)際接入還是得通過百行樸道，由監(jiān)管授權(quán)的征信機(jī)構(gòu)對數(shù)據(jù)合規(guī)性進(jìn)行審查即可。

（2）菜的選擇

接入什么數(shù)據(jù)，其實(shí)主要還是看目前策略模型執(zhí)行過程中，缺少哪些數(shù)據(jù)。這些是因公司，而且因策略實(shí)施而變化的。一個數(shù)據(jù)公司敢做這部分業(yè)務(wù)，且活過三年，自有其可取之處。也不必踩高捧低。

（3）數(shù)據(jù)的測試

按我執(zhí)行的實(shí)際，在接入三方數(shù)據(jù)之前，是需要進(jìn)行初步的一些評估的，從流程整體最優(yōu)的角度，這也是為了減少不必要的合同簽署及流程對法務(wù)及綜合同事的壓力。這一部分也需要結(jié)合數(shù)據(jù)產(chǎn)品實(shí)際情況去做。在下面篇幅中再行展開。

（4）過會、采購、合同簽署

執(zhí)行的實(shí)際中，因牽涉費(fèi)用等問題，三方數(shù)據(jù)的測試引入是需要經(jīng)過會議審議和采購流程的。這些不同公司實(shí)際情況不同，按下不表。

（5）日常對賬、開票、付款等

4. 科技與狠活

三方數(shù)據(jù)既然作為一種“菜”，自然也存在美化造假的可能，這里稍微展開說一下幾個常規(guī)的科技與狠活。

結(jié)果造假：既然談到數(shù)據(jù)測試，則數(shù)據(jù)測試就存在抽樣的問題，但抽樣的客戶，一定是貸后行為已經(jīng)表現(xiàn)了的。理論上我們需要測試回溯所以也就存在一種可能性，即利用貸后情況對三方數(shù)據(jù)的效果進(jìn)行一些’調(diào)整’。

這樣的調(diào)整，其實(shí)是會讓使用方誤解產(chǎn)品的實(shí)際效果的。就實(shí)際效果而言，KS15-18的產(chǎn)品，是最令人放心的，10-15的產(chǎn)品，感覺效果一般，10以下的產(chǎn)品，又根本沒辦法寫測試報告。但是KS超過20的產(chǎn)品，就應(yīng)該開始謹(jǐn)慎。至于KS40以上的產(chǎn)品，我個人理解只有理論可能。但與單純的批評這樣的行為來說。

實(shí)際上可以多想一步，既然此產(chǎn)品可以更快地發(fā)現(xiàn)客戶的貸后行為，或者基于現(xiàn)有數(shù)據(jù)能將KS做的非常高。那么反過來想，這個公司的產(chǎn)品，可能可以考慮在貸中使用。

效果衰減：三方數(shù)據(jù)是存在衰減的可能性的。假如最上游的數(shù)據(jù)產(chǎn)生了變化，或者在與欺詐客戶的攻防中，欺詐團(tuán)體調(diào)整了自己的策略?；蛘邌渭兊淖约旱漠a(chǎn)品特質(zhì)、客群發(fā)生了變化；再或者就是三方數(shù)據(jù)源，基于成本考慮，在使用過一段時間后，對產(chǎn)品的上游數(shù)據(jù)源進(jìn)行了變更；都會導(dǎo)致效果的衰減。因此，三方數(shù)據(jù)也是需要定期的再次評估。

三、什么是好的三方數(shù)據(jù)

這部分純屬一些基礎(chǔ)概念展示掃盲，在其他的文章及其他的網(wǎng)站上，都有大量的展示，建議已經(jīng)了解的直接跳過。

1. 評估三方數(shù)據(jù)的流程

大部分經(jīng)驗(yàn)貼中都在強(qiáng)調(diào)量化指標(biāo)的評估，但三方數(shù)據(jù)評估的上下游也直接決定評估效果。

從流程上講，大體有：結(jié)合業(yè)務(wù)情況抽取樣本->提交測試流程->對產(chǎn)品進(jìn)行初步評估->通過模型對所有數(shù)據(jù)產(chǎn)品進(jìn)行綜合評估

2. 抽樣的注意事項(xiàng)

在抽樣過程中，基于目前現(xiàn)有的，測試樣本只能支持2萬到3萬的現(xiàn)狀。建議還是有針對性的進(jìn)行選擇。選擇具體的場景和業(yè)務(wù)，而不是雨露均沾的全隨機(jī)抽樣。至于黑樣本量的占比，目前實(shí)際會設(shè)置占比10%左右。這部分如果有同業(yè)有更好的建議，也希望斧正。

3. 評估

在量化指標(biāo)之前，日常評估和分析的過程中，首先要對返回結(jié)果的分布進(jìn)行觀察。

根據(jù)大數(shù)定律，如果抽樣整體比較均勻，不考慮黑樣本的情況下，則分?jǐn)?shù)，也應(yīng)當(dāng)服從正態(tài)或者偏態(tài)分布。考慮到不良率是做的，則分?jǐn)?shù)應(yīng)當(dāng)服從一定的雙峰分布。如果分布上就比較詭異，這個產(chǎn)品可能效果也不佳。

另外，盡管量化的指標(biāo)可以評估效果。但是理論上講，如果是連續(xù)的分?jǐn)?shù)評分的話，從高到低應(yīng)該有足夠的單調(diào)性，這也是在分箱的過程中就需要觀察的。

如分布不佳，單調(diào)性也不佳，即使總的IV好看，也是不能使用的。

如何評估一個三方數(shù)據(jù)是否優(yōu)秀，有哪些量化的指標(biāo)？數(shù)學(xué)部分建議直接翻CSDN。

（1）覆蓋率

三方公司提供的數(shù)據(jù)產(chǎn)品，與客群之間是存在一定的差異的。理論上講，產(chǎn)品的覆蓋率就不應(yīng)該是100%。其他量化指標(biāo)與覆蓋率需要綜合來看情況。如果覆蓋率只有40%、50%，即使IVKS較高，但可能實(shí)際使用上也有問題。

（2）黑名單準(zhǔn)確度

針對黑名單類產(chǎn)品。預(yù)測逾期的/實(shí)際逾期的+預(yù)測不逾期的/實(shí)際不逾期的。用來評估黑名單類產(chǎn)品好壞。

（3）KS

KS(Kolmogorov-Smirnov)：KS用于模型風(fēng)險區(qū)分能力進(jìn)行評估， 指標(biāo)衡量的是好壞樣本累計分部之間的差值。
好壞樣本累計差異越大，KS指標(biāo)越大，那么模型的風(fēng)險區(qū)分能力越強(qiáng)。人話：MAX（累計壞客戶 – 累計好客戶）。

（4）WOE/IV

WOE的全稱是“WeightofEvidence”，即證據(jù)權(quán)重。WOE是對原始自變量的一種編碼形式。分箱后做一些處理。

pyi是這個組中響應(yīng)客戶（風(fēng)險模型中，對應(yīng)的是違約客戶，總之，指的是模型中預(yù)測變量取值為“是”或者說1的個體）占所有樣本中所有響應(yīng)客戶的比例，pni是這個組中未響應(yīng)客戶占樣本中所有未響應(yīng)客戶的比例，#yi是這個組中響應(yīng)客戶的數(shù)量，#ni是這個組中未響應(yīng)客戶的數(shù)量，#yT是樣本中所有響應(yīng)客戶的數(shù)量，#nT是樣本中所有未響應(yīng)客戶的數(shù)量。

人話：iv即在該分箱內(nèi)，這個數(shù)據(jù)在多大的程度上解釋“現(xiàn)象”。

（5）PSI

檢驗(yàn)變量的穩(wěn)定性，當(dāng)一個變量的psi值大于0.0001時，變量不穩(wěn)定。一個變量，將它的取值按照分位數(shù)來分組一下，每一組中測試模型的客戶數(shù)占比減去訓(xùn)練模型中的客戶數(shù)占比再乘以這兩者相除的對數(shù)，就是這一組的穩(wěn)定性系數(shù)psi，然后變量的psi系數(shù)就是把這個變量的所有組的psi相加總起來。

人話：這個產(chǎn)品在這個月的客戶上厲害，但是下個月會不會出現(xiàn)差異的評估。

（6）貢獻(xiàn)度等

在此就不做展開了

以評分產(chǎn)品舉例，日常初步評估的代碼實(shí)例：

— coding: utf-8 —
import numpy as np
import pandas as pd
data_test=pd.read_excel(“”)
data_test.shape
data_test.info()
data_test.head(10)
eda=data_test.describe()
path=”
bin=分箱數(shù)

#no1.缺失及覆蓋率
miss_rate=data_test.isnull().sum()
miss_rate=miss_rate.reset_index()
miss_rate=miss_rate.rename(columns={‘index’:’varname’,0:’miss_num’})
miss_rate[‘miss_rate’]=miss_rate[‘miss_num’]/樣本量
miss_rate.to_excel(path)

#no2.黑名單標(biāo)簽類的準(zhǔn)確性
verify_true = data_test[((data_test[‘blackflag’]==1)&(data_test[”]==1)) | ((data_test[‘blackflag’]==0)&(data_test[”]==1))]
print(verify_true.shape)

#no3.整體相關(guān)性
df_new=data_test.drop([‘cust_name’,’id_no’,’mobile’,’blackflag’],axis=1)
corr=df_new.corr()
corr.to_excel(“path”)

#no4.IV
def cal_iv(data,cut_num,feature,target):
data_cut=pd.qcut(data[feature],cut_num,duplicates=’drop’)
cut_group_all=data[target].groupby(data_cut).count()
cut_y=data[target].groupby(data_cut).sum()
cut_n=cut_group_all-cut_y
df=pd.DataFrame()
df[‘sum’]=cut_group_all
df[‘bad_count’]=cut_y
df[‘good_count’]=cut_n
df[‘bad_rate’]=df[‘bad_count’]/df[‘bad_count’].sum()
df[‘good_rate’]=df[‘good_count’]/df[‘good_count’].sum()
df[‘woe’]=np.log(df[‘bad_rate’]/df[‘good_rate’])
df[‘iv’]=df[‘woe’]*(df[‘bad_rate’]-df[‘good_rate’])
df.replace({np.inf:0,-np.inf:0},inplace = True)
iv=df[‘iv’].sum()
print(feature,’IV’,iv)
df.to_excel(“path/{}.xlsx”.format(feature))
return(feature,iv)
column_list=df_new.columns.tolist()
df_iv_result=[]
for i in column_list:
df_iv_result.append(cal_iv(data_test,bin,i,’blackflag’))
data_iv=pd.DataFrame(df_iv_result)
data_iv=data_iv.rename(columns={0:’feature’,1:’iv’})
data_iv.to_excel(“path”)

#no5.KS
def cal_ks(data,cut_num,feature,target):
data_cut=pd.cut(data[feature],cut_num)
cut_group_all=data[target].groupby(data_cut).count()
cut_y=data[target].groupby(data_cut).sum()
cut_n=cut_group_all-cut_y
df=pd.DataFrame()
df[‘sum’]=cut_group_all
df[‘bad_count’]=cut_y
df[‘good_count’]=cut_n
df[‘bad_rate’]=df[‘bad_count’]/df[‘bad_count’].sum()
df[‘good_rate’]=df[‘good_count’]/df[‘good_count’].sum()
df[‘good_rate_sum’]=df[‘good_rate’].cumsum()
df[‘bad_rate_sum’]=df[‘bad_rate’].cumsum()
df[‘ks’]=abs(df[‘good_rate_sum’]-df[‘bad_rate_sum’])
ks=df[‘ks’].max()
print(feature,’KS:’,ks)
df.to_excel(“path/{}.xlsx”.format(feature))
return(feature,ks)
df_ks_result=[]
for i in column_list:
a = list(cal_ks(data_test,bin,i,’blackflag’))
df_ks_result.append(a)
data_ks=pd.DataFrame(df_ks_result)
data_ks=data_ks.rename(columns={0:’feature’,1:’ks’})
data_ks.to_excel(“path”)

注意，path，分箱數(shù)需要指定。根據(jù)經(jīng)驗(yàn)，分箱越多，可能ks/iv越高。

四、結(jié)語

關(guān)于是否三方數(shù)據(jù)相應(yīng)問題，其實(shí)還想展開說幾個討論。

如通過百行、樸道的三方數(shù)據(jù)引入，應(yīng)當(dāng)通過單一來源還是公開招標(biāo)。三方數(shù)據(jù)的初步評估，比較簡單無腦，是否可以作為數(shù)據(jù)管理運(yùn)營平臺的一個功能去處理。以及百行樸道之后，多頭的數(shù)據(jù)是否

有了新的解決方案等?；蛘邩I(yè)務(wù)斷直連和三方數(shù)據(jù)斷直連到底銜接順序和關(guān)系如何。

限于篇幅問題，而且這些問題并沒有標(biāo)準(zhǔn)的答案，就此打住吧。