在信贷风控领域众多维度的数据源中，APP设备数据对于策略规则的开发、模型变量的筛选有着重要的贡献，理由是在当今电子信息化时代，APP数据可以较全面地反映出用户的个人习惯、日常行为等综合信息。但随着国内个人信息法的落地，许多之前可获取的个人信息维度如app设备数据都无法获取了。
但在海外，本文所提及的一些变量，尤其是app相关变量仍是在众多特征中显著性高、区分度好的特征。
因此，海外金融机构在开展个人信贷产品的实际业务中，当评估用户的信用能力或风险程度时，通过数据分析挖掘并利用APP维度数据的价值，仍可以有效提升的风控策略或模型的决策性能。
在相关的App的基础特征重主要包括社交类、理财类、游戏类等不同维度变量，具体特征字段表如图2所示。
图2: 特征字典表
为了提升模型训练的拟合效果，特征字段的性能评估与变量筛选是一项重要环节，具体可通过变量的区分性、相关性、稳定性、解释性等多个维度进行考虑。现根据样本特征的分布情况，采用IV值评估以上字段的区分能力，如图3所示
图3 原始变量指标IV
从特征字段的IV值结果来看，样本所有字段的区分效果普遍表现较差。当然，若在样本数据不更换的情况下，为了有效完成数据建模任务，还需从中选择性能较好的字段放入模型拟合变量池。但是，从上表信息可知，如果以IV>=0.015作为筛选标准，区分度效果较好的字段仅有4个，分别为App_Tot_Cnt_H（历史App总数量）、App_Fin_Cnt_L6（最近6个月理财类App总数量）、App_Fin_Cnt_H（历史理财类App总数量）、App_Game_Cnt_H（历史游戏类App总数量）。
为了保证模型训练有更多的变量可选，基于样本原始特征字段，可以进行特征衍生加工，以扩大模型变量池范围，有效提升模型的拟合效果。
具体衍生方法可以通过统计学维度进行新变量的加工，包括平均、占比、差分、差比等。现根据这几个常见方式，特征变量的衍生效果，如图4所示：
图4 : 特征衍生代码1
然，特征衍生方法还有很多，除了统计学维度，还可以通过特征聚类、主成分分析（PCA）等算法进一步补充，如图5所示：
图5 特征衍生变量2
在实际业务中，往往从多个维度进行综合考虑与加工，但无论采用哪种方式，一定要结合业务场景和逻辑理解，关于海外现金贷中的App的字段以及衍生内容，本次我们给知识星球童鞋准备了一份App相关特征的衍生字段，一共有257个字段之多，详情可到知识星球查收此份资料：
另外关于App相关的衍生内容，我们也贴心为大家准备了一个相关的衍生代码，协助大家在具体的工作中进行相关的代码衍生内容：
更多详细内容，有兴趣的童鞋可关注：
…
~原创文章