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。
1、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？
2、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。
3、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。
