4. 边界样本的定义与识别
在授信决策系统中，模型通常被期望给出清晰的“通过”或“拒绝”判断。但真实业务里，大量申请件并不落在两端，而是落在决策阈值附近，形成一类既不像典型好客户、也不像典型坏客户的样本。这类样本就是边界样本。它们直接决定自动化审批的稳定性，也决定转人工审核的触发频率与质量。
一、边界样本的概念
边界样本（Boundary Sample）是指模型评分、规则命中或风险特征组合处于决策分界线附近的样本。其核心特征不是“坏”，而是“不确定”：模型对其预测概率接近阈值，或不同模型、不同规则之间给出相互矛盾的结论。
从数学角度看，若决策阈值为 t，则评分落在 [t-δ, t+δ] 区间内的样本可视为边界样本。从业务角度看，边界样本还包括以下情形：
- 评分接近阈值，但关键特征缺失或异常；
- 规则A通过、规则B拒绝，规则之间冲突；
- 模型输出概率在 0.45～0.55 之间，接近 0.5 分界；
- 客户历史表现良好，但本次申请行为出现突变；
- 反欺诈评分低，但信用评分高，风险信号不一致。
边界样本的本质是“信息不足”或“信息冲突”。自动审批对这类样本强行给出二元结论，往往带来两类错误：误拒优质客户，或误批潜在坏客户。
二、边界样本的产生原因
边界样本并非模型缺陷的同义词，而是数据、模型与业务共同作用的结果。常见原因可归纳为四类：
| 原因类别 | 具体表现 | 典型场景 |
|---|---|---|
| 数据层面 | 特征缺失、口径不一致、时效性差 | 征信未覆盖、收入字段为空、设备信息采集失败 |
| 模型层面 | 概率校准不足、阈值附近区分度低 | 评分 580～620 区间样本密度高但坏账率差异小 |
| 规则层面 | 多规则交叉冲突、硬规则与软规则叠加 | 反欺诈规则拒绝，但信用规则通过 |
| 业务层面 | 客群漂移、产品策略调整、渠道变化 | 新渠道涌入大量无历史行为客户 |
此外，样本不平衡会放大边界问题。当坏样本占比极低时，模型倾向于把多数样本推向“通过”一侧，导致阈值附近堆积大量难以判断的申请件。
三、边界样本的识别方法
识别边界样本需要从“评分距离”“模型一致性”“规则冲突”“特征完整度”四个维度综合判断。推荐流程如下：
- 定义边界带：根据评分分布和业务容忍度，设定阈值附近的宽度 δ。例如阈值 600，δ=30，则 570～630 为边界带。
- 计算模型分歧：若同时存在多个模型，计算各模型输出概率的方差或最大差值，超过阈值即标记。
- 检测规则冲突：统计通过规则数与拒绝规则数，若同时大于 0，进入冲突清单。
- 评估特征完整度：计算关键特征缺失比例，缺失超过 30% 的样本优先标记。
- 合并打分：将上述信号加权，形成边界分，超过业务阈值则转人工。
边界分计算示例：
boundary_score =
0.4 * score_distance_norm
+ 0.3 * model_disagreement
+ 0.2 * rule_conflict_flag
+ 0.1 * missing_feature_ratio
若 boundary_score >= 0.65，则进入人工审核队列。
识别边界样本时，不要只依赖单一评分。建议将“评分接近阈值”作为初筛条件，再用模型分歧和规则冲突做二次确认，可显著降低误报。
四、业务影响与转人工策略
边界样本对业务的影响是双面的。若全部自动通过，可能带来坏账上升；若全部自动拒绝，则可能损失优质客户并引发投诉。因此，边界样本管理的目标不是消灭边界，而是把边界样本精准地转给人工，用人工判断弥补模型不确定性。
转人工策略应关注三个指标：
- 转人工率：边界样本占全部申请的比例，过高会推高成本，过低会漏掉风险。
- 人工推翻率：人工审核结果与自动结论不一致的比例，反映边界识别的准确性。
- 边界样本坏账率：用于验证边界带宽度是否合理，若坏账率接近整体水平，说明边界带过宽。
常见误区：把边界样本等同于“高风险样本”。实际上，边界样本中既有潜在坏客户，也有被模型低估的优质客户。若人工审核只做“从严拒绝”，会把边界策略退化成变相拒绝，失去转人工的价值。
复盘时，建议按周统计边界样本的自动结论、人工结论和最终表现，形成闭环。若发现某类边界样本长期被人工推翻，应回到模型或规则层修正，而不是长期依赖人工兜底。
综上，边界样本是授信决策中不可回避的“灰色地带”。理解其定义、来源、识别方法和业务影响，是设计转人工审核策略的前提。只有把边界样本识别清楚，人工审核才能从“兜底”变成“精准补位”。