在开始数据建模工作之前，博主其实看了蛮多关于数据挖掘的书籍。但是，真正从事数据建模工作后，可以说只能用 “纸上谈兵” 来形容自己，我甚至搞不清楚在数据建模分为几个阶段，要先做什么后做什么，模型原理更是一知半解。随着自我的学习以及大佬们的指教，慢慢懂得数据挖掘工作一般步骤与套路，熟记这些建模的步骤与讨论，能让你明确当前任务是什么，下一步任务又是什么，每一步任务中应该注意的一些问题。
下面内容为整理的对建模的一般步骤，内容也仅作参考。值得注意的是，这里的一般步骤只是建模的常规套路，关于模型的原理部分还需要自己去深入了解。
在信贷风控体系中，授信模型（Credit Limit Model）和 风险定价模型（Risk-Based Pricing Model）是贷前决策的“左膀右臂”。虽然它们都基于用户的信用评分（如 A 卡分数），但它们的 核心目标、输出结果、数学逻辑 以及 业务侧重点 有本质区别。
简单来说：
在信贷风控体系中，A 卡（Application Score Card，申请评分卡）和 B 卡（Behavior Score Card，行为评分卡）是两套核心模型，它们的根本区别在于数据维度、评估时机以及预测目标。
在信贷风控领域，Pre-A 卡（Pre-Application Score Card）并不是像 A 卡（申请评分卡）、B 卡（行为评分卡）或 C 卡（催收评分卡）那样广泛标准化的术语，但在实际业务和前沿探索中，它通常指 在用户正式提交贷款申请之前，基于已有数据对其信用风险进行初步评估的评分模型。
这些场景，是不是似曾相识？先定业务，再定模型——你的Y标签定义对了吗？
在金融风控领域，变量筛选是模型构建中至关重要的一环。面对成千上万的候选变量，如何精准筛选出 预测能力强、稳定性高 的变量，直接决定了风控模型的性能上限。