4. 特征新鲜度概述

一、什么是特征新鲜度

在风控系统中，特征新鲜度（Feature Freshness）指的是某个特征值从“业务事件发生”到“该特征被模型或规则实际使用”之间所经历的时间延迟，以及该特征值在当前决策时刻是否仍然代表真实状态。它既是一个时间概念，也是一个语义概念：时间上要求足够新，语义上要求仍然有效。

举例来说，用户最近一次登录设备、最近一小时内的交易次数、近30天逾期次数，这些特征都带有明确的时间窗口。如果模型在决策时读取到的是两小时前的“最近一小时交易次数”，那么该特征已经过期，可能导致误判。因此，新鲜度不是简单的“越新越好”，而是“在业务可接受的时效窗口内，特征值必须与当前事实一致”。

二、新鲜度的度量指标

要治理新鲜度，先要能度量。风控场景中常用的度量指标包括：

• 端到端延迟（End-to-End Latency）：从事件发生到特征可被查询的总耗时，通常拆分为采集延迟、传输延迟、计算延迟、写入延迟和查询延迟。
• 特征年龄（Feature Age）：决策时刻减去特征值对应的事件时间，反映“这个值有多旧”。
• 新鲜度达标率（Freshness SLA Compliance）：在抽样或全量请求中，特征年龄小于等于业务阈值的比例。
• 过期率（Staleness Rate）：特征年龄超过阈值或直接缺失的请求占比。
• 时间窗口覆盖率（Window Coverage）：在滑动窗口内，实际参与计算的事件数占应参与事件数的比例，用于发现数据漏采或延迟。

这些指标应同时监控“均值”和“长尾”。风控决策往往对长尾敏感：99%的请求新鲜度达标，但1%的过期请求可能恰好集中在高风险交易上，造成实际损失。

三、时效性要求：不同特征不同标准

并非所有特征都要求秒级新鲜度。时效性要求由业务决策频率和风险类型决定：

• 实时特征（秒级～分钟级）：如近5分钟交易次数、当前设备指纹、实时IP归属。用于反欺诈、盗刷拦截，要求端到端延迟在秒级。
• 准实时特征（分钟级～小时级）：如近1小时登录失败次数、近24小时申请次数。通常允许分钟级延迟，但需保证窗口完整。
• 离线特征（天级）：如近30天逾期次数、历史授信额度使用率。天级更新即可，但必须保证分区数据完整、不重不漏。

时效性要求还应与决策链路匹配。例如，支付风控的决策窗口可能只有200ms，如果特征查询本身需要500ms，即使特征很新，也无法使用。因此新鲜度治理必须同时考虑“数据新鲜”和“查询可用”。

四、与模型效果和业务决策的关系

新鲜度直接影响模型效果。特征过期会导致分布偏移：训练时模型学到的是“近1小时交易次数”与欺诈的关系，但线上如果实际使用的是3小时前的值，特征分布与训练分布不一致，模型AUC和KS会下降，误杀和漏杀同时上升。

更隐蔽的是，过期特征可能引入“未来信息”或“错误信息”。例如，用户已经完成还款，但特征仍显示逾期，模型会错误拒绝；用户刚刚被盗刷，但设备特征未更新，模型会错误放行。这两种错误在业务上分别对应客户体验损失和资金损失。

从业务决策看，新鲜度决定了策略的“可行动性”。一个“近10分钟是否发生异地登录”的特征，如果延迟到30分钟才可用，那么即使模型识别出风险，盗刷可能已经完成。因此，新鲜度治理的目标不是追求极致低延迟，而是让特征在决策发生前“来得及”被使用。

# 特征新鲜度检查伪代码
def check_freshness(feature_value, event_time, decision_time, max_age_sec):
    age = decision_time - event_time
    if feature_value is None:
        return "MISSING", age
    if age > max_age_sec:
        return "STALE", age
    return "FRESH", age

# 示例：近1小时交易次数，最大可接受年龄300秒
status, age = check_freshness(cnt_1h, event_ts, now_ts, 300)
if status != "FRESH":
    cnt_1h = fallback_value  # 兜底策略

五、常见误区与复盘

• 误区一：只监控任务是否成功，不监控数据时间。任务成功不代表特征新鲜，可能读取了旧分区或缓存未刷新。
• 误区二：所有特征统一用同一个SLA。离线特征和实时特征混用同一阈值，导致告警疲劳或漏报。
• 误区三：忽略事件时间与处理时间的差异。乱序数据到达时，按处理时间计算窗口会漏掉迟到事件，导致特征值偏低。
• 误区四：缺失即置零。将过期或缺失特征简单置零，可能被模型理解为“无行为”，而实际是“未知”，造成误判。

总结来说，新鲜度是风控特征的生命线。定义清楚、度量准确、时效分级、与模型和业务闭环，才能让特征在正确的时间以正确的值参与决策。