1. 课程导论：坏样本归因与收益评估的定义、行业痛点、课程目标与学习路径
1.1 什么是坏样本归因？
在信贷风控、反欺诈、营销响应等场景中，坏样本指实际发生逾期、欺诈、流失等负向事件的样本。坏样本归因的核心任务是：定位导致样本变“坏”的关键驱动因素，并量化各因素的贡献度。
归因不是简单的“谁逾期了”，而是要回答：为什么这批人逾期？是收入下降、多头借贷、还是策略误杀？
核心公式： 坏样本归因 = 特征拆解 + 贡献度量化 + 可解释性输出
1.2 什么是收益评估？
收益评估是在归因基础上，计算策略调整或模型优化带来的净收益。它把风控动作从“减少损失”升级为“利润中心”。
| 维度 | 传统风控关注 | 收益评估关注 |
|---|---|---|
| 目标 | 降低逾期率 | 最大化风险调整后收益 |
| 指标 | 坏账率、通过率 | ROI、净现值、边际收益 |
| 决策 | 拒绝高风险 | 拒绝低收益高风险 |
1.3 行业痛点：为什么归因与收益评估难落地？
- 归因碎片化：数据分散在风控、运营、财务系统，缺乏统一归因框架。
- 因果混淆：相关不等于因果，简单对比坏样本与好样本的分布差异容易误判。
- 收益计算口径不一：不同部门对“收益”定义不同（如：财务看净收入，风控看损失减少）。
- 缺乏可落地的量化工具：多数团队停留在报表层面，缺少从归因到收益的闭环计算。
常见误区： 只做“坏样本分析报告”而不做收益测算，导致策略优化方向与业务利润脱节。
1.4 课程目标
通过本课程，你将掌握以下能力：
- 归因能力：使用 SHAP、LIME、因果森林等方法，对坏样本进行特征级归因。
- 收益建模能力：构建收益评估函数，量化策略调整的边际收益。
- 实战落地能力：在真实信贷/营销数据集上完成从归因到收益评估的全流程。
1.5 学习路径与知识体系
课程分为四大模块，层层递进：
| 模块 | 章节范围 | 核心产出 |
|---|---|---|
| 基础篇 | 第1-5章 | 归因与收益评估的指标体系、数据准备 |
| 方法篇 | 第6-15章 | 归因算法（SHAP、因果推断）、收益函数设计 |
| 实战篇 | 第16-25章 | 信贷/营销场景完整案例、代码实现 |
| 进阶篇 | 第26-30章 | 多策略组合优化、自动化归因系统设计 |
1.6 学习建议与前置要求
前置技能： 熟悉 Python 基础、pandas 数据处理、sklearn 建模基础。无需因果推断或 SHAP 前置知识。
- 每章配有 Jupyter Notebook 代码，建议边学边跑。
- 重点章节后附有 自测题，用于检验归因与收益计算的理解。
- 遇到“收益计算口径”问题时，可先参考第3章《收益指标定义与计算》。