TAB 01
数据接入与质量校验
血缘 · 采样 · 空值
- 接入前先做 1% 随机抽样 探查：字段类型、空值率、基数（Cardinality）三项同时输出，任一字段空值率 > 5% 需先走补数流程。
- 时间字段统一为 UTC+8 并保留原始时区列，避免跨区域聚合时出现 8 小时偏移导致的日粒度错位。
- 为每张源表登记血缘（上游系统、负责人、更新频率），增量任务失败可 30 分钟内 定位断点并重跑。
- 主键冲突率阈值设为 0.1%，超阈自动阻断写入并告警，防止脏数据污染特征库。
TAB 02
特征工程与数据挖掘
分箱 · 编码 · 重要性
- 连续变量优先做等频分箱（5~10 箱），比等宽分箱更能抵抗长尾分布，分箱后计算 WOE 与 IV，IV < 0.02 的特征直接剔除。
- 高基数类别特征（唯一值 > 50）先用目标编码并加 3 折交叉 防止泄漏，禁止直接 One-Hot 导致维度爆炸。
- 以随机森林输出特征重要性排序，保留累计贡献 前 85% 的特征，可将训练时长压缩约 40%。
- 所有特征变换脚本入库版本管理，保证「同一特征名 = 同一计算逻辑」。
TAB 03
模型评估与可视化交付
AUC · 校准 · 看板
- 分类任务同时看 AUC 与 KS，AUC ≥ 0.75、KS ≥ 0.30 方可进入业务灰度；回归任务看 MAE 与 R²，R² 低于 0.6 需回炉特征。
- 输出概率必须做校准（Platt 或 Isotonic），并给出分箱校准曲线，避免「分数高但实际转化低」的业务误判。
- 数据可视化看板遵循 一屏一结论：单页图表不超过 6 个，主指标字号 ≥ 24px，色阶只用中性灰 + 主色 + 强调色三档。
- 交付物清单：特征字典、模型卡、评估报告、监控指标四项缺一不可。
