4、看板指标体系设计：一级指标（交易量、拒绝率）、二级指标（分客群拒绝率、分模型版本拒绝率）、三级指标（PSI、KS、AUC）

实时风控看板的指标体系采用三级分层结构，从宏观业务健康度到微观模型稳定性与区分力，逐层下钻。一级指标回答“整体是否正常”，二级指标定位“异常发生在哪个客群或版本”，三级指标诊断“模型本身是否退化”。

4.1 一级指标：业务全景监控

一级指标面向风控负责人与运营团队，聚焦交易量与拒绝率两个核心KPI，实时反映风控策略对业务流量的影响。

指标名称	定义	监控频率	异常阈值（示例）
交易量	单位时间内通过风控审核的交易笔数	1分钟 / 5分钟	环比下降 > 20% 或绝对值低于基线
拒绝率	被风控拒绝的交易数 / 总交易数 × 100%	1分钟 / 5分钟	拒绝率 > 基线 + 3σ 或绝对值 > 15%

4.2 二级指标：下钻定位异常来源

当一级指标触发告警时，二级指标帮助快速定位异常发生在哪个客群或哪个模型版本。

4.2.1 分客群拒绝率

按用户分层（新客/老客、高/中/低风险、渠道来源等）拆解拒绝率，识别策略是否对特定客群过度收紧。

• 新客拒绝率 vs 老客拒绝率：新客拒绝率过高可能说明准入策略过严，影响拉新。
• 渠道拒绝率：某渠道拒绝率异常升高，可能该渠道遭遇批量攻击或数据质量下降。
• 设备指纹拒绝率：特定设备环境拒绝率突变，需排查设备指纹规则是否误判。

4.2.2 分模型版本拒绝率

当模型迭代上线后，对比旧版本（基线）与新版本（实验组）的拒绝率差异，判断模型行为是否偏移。

模型版本	拒绝率	交易量占比	状态
v2.3.1（基线）	8.2%	70%	稳定
v2.4.0（实验）	11.5%	30%	⚠️ 拒绝率偏高，需关注

4.3 三级指标：模型稳定性与区分力诊断

三级指标直接评估模型本身的稳定性（PSI）和区分能力（KS、AUC），是模型健康度的核心度量。

4.3.1 PSI（群体稳定性指标）

衡量模型评分分布随时间的变化程度。PSI < 0.1 表示稳定，0.1 ~ 0.25 需关注，> 0.25 表示显著偏移。

PSI = Σ (实际占比_i - 期望占比_i) × ln(实际占比_i / 期望占比_i)

4.3.2 KS（Kolmogorov-Smirnov 统计量）

衡量模型区分好坏样本的最大能力。KS 越高，模型区分力越强，但 KS 骤降可能预示模型失效。

• KS > 0.3：模型区分力良好
• KS 0.2 ~ 0.3：区分力一般，需监控
• KS < 0.2：区分力弱，建议迭代

4.3.3 AUC（ROC曲线下面积）

综合评估模型在所有阈值下的排序能力。AUC 接近 1 表示完美，0.5 表示随机。

指标	监控频率	正常范围	告警阈值
PSI	每日 / 每周	< 0.1	> 0.25
KS	每日	> 0.3	环比下降 > 0.05
AUC	每日	> 0.75	环比下降 > 0.03

4.4 三级指标体系架构图

下图展示从一级到三级指标的下钻路径与联动关系，帮助理解看板的数据流与决策链路。

4.5 看板指标联动示例

假设某时刻看板触发一级告警：拒绝率从 8% 飙升至 14%。下钻流程如下：

1. 二级下钻（客群）：发现新客拒绝率从 10% 升至 22%，老客拒绝率仅从 7% 升至 8%。定位问题出在新客策略。
2. 二级下钻（版本）：新客模型 v2.4.0 拒绝率 23%，v2.3.1 拒绝率 11%。确认是新模型版本导致。
3. 三级诊断：检查 v2.4.0 的 PSI 为 0.31（显著偏移），KS 从 0.38 降至 0.22（区分力下降）。结论：模型分布偏移，需回滚或重新训练。