1. 课程导入

在实时风控系统中，模型效果往往不取决于算法本身，而取决于特征是否“按时、完整、可信”地到达。很多线上事故并非模型突然失效，而是特征在某个时间窗口内出现缺失、延迟或陈旧，导致评分偏移、策略误杀或漏放。本课程聚焦两个高频却常被忽视的问题：特征缺失异常与特征新鲜度治理。前者关注“值有没有、对不对”，后者关注“值是不是最新的、是否在可接受的时间范围内”。二者共同决定了风控决策的稳定性与可解释性。

学习目标

完成本课程后，你应能够独立完成以下任务：

• 识别风控特征缺失的典型模式：整列缺失、稀疏缺失、时间窗口缺失、维度对齐缺失。
• 区分“数据源故障”“计算链路延迟”“特征回填错误”“上游口径变更”四类根因。
• 设计新鲜度指标：事件时间、处理时间、特征年龄、端到端延迟、水位线。
• 搭建缺失与新鲜度的监控、告警、降级与自愈闭环。
• 在离线回放与线上灰度中验证治理策略，避免“修了监控、坏了策略”。

核心概念：缺失不是空值，新鲜度不是时间戳

在风控语境中，缺失至少包含三层含义：物理缺失（字段不存在）、逻辑缺失（字段存在但语义为空）、业务缺失（值存在但不可用，如全为默认值）。如果只把 null 当作缺失，就会漏掉“全零填充”“默认分桶”“过期缓存”等隐性缺失。新鲜度同样不只是“有没有时间戳”，而是特征值所代表的事件时间与当前决策时间之间的差距，以及该差距是否超过业务容忍阈值。

为了统一语言，本课程约定以下术语：

整体框架：从发现到自愈的四层治理

本课程将治理体系拆为四层，层层递进：

1. 感知层：采集缺失率、特征年龄、延迟分位数、维度覆盖率，形成特征健康画像。
2. 诊断层：通过血缘、日志、对比基线定位根因，区分偶发与系统性异常。
3. 决策层：根据严重程度选择告警、降级、切换备用特征或拒绝决策。
4. 自愈层：自动回填、重跑、熔断与恢复验证，形成闭环。

案例场景：一次“全零特征”引发的误杀

某支付风控系统在凌晨批量任务延迟后，实时特征服务返回了全零向量。模型将全零解释为“低风险”，导致一批高风险交易被放行。事后复盘发现：缺失监控只统计了 null，未统计默认值；新鲜度监控只看了时间戳，未看事件时间。修复方案包括：增加默认值占比监控、引入特征年龄告警、在特征不可用时切换至保守策略。

# 特征健康检查伪代码
def check_feature_health(feature, now):
    missing_rate = count_null(feature) / total
    default_rate = count_default(feature) / total
    age = now - feature.event_time
    if missing_rate > 0.001 or default_rate > 0.05:
        return "DEGRADE"
    if age > timedelta(minutes=5):
        return "STALE"
    return "OK"

常见误区与复盘要点

• 误区一：只监控离线表，不监控线上特征服务。离线正常不代表线上正常。
• 误区二：把新鲜度等同于“最近更新时间”。缓存刷新时间不等于事件时间。
• 误区三：缺失时统一填 0。填 0 会改变模型输入分布，可能比缺失更危险。
• 误区四：告警阈值一刀切。不同特征对时效敏感度不同，应分级治理。

实战价值