2. 坏样本定义与分类
在归因分析中，坏样本是指那些在业务结果中表现出非预期、负面或异常行为的样本点。准确识别坏样本是归因分析的起点，错误的样本定义会导致后续分析方向完全偏离。本章从业务视角出发，系统梳理坏样本的常见类型与识别标准。
2.1 坏样本的三大常见类型
根据业务场景的不同，坏样本可归纳为以下三类核心形态：
| 类型 | 核心特征 | 典型业务场景 | 数据表现 |
|---|---|---|---|
| 欺诈样本 | 主观恶意、伪造身份或行为 | 信贷申请、交易支付、账户注册 | 设备聚集、IP异常、行为序列跳跃 |
| 逾期样本 | 信用违约、还款能力或意愿不足 | 消费金融、信用卡、贷款 | 还款日滞后、多头借贷、收入波动 |
| 异常样本 | 非预期波动、系统故障或极端值 | 风控模型、运营监控、传感器数据 | 统计离群、分布突变、缺失率飙升 |
关键区分：欺诈样本强调主观恶意，逾期样本侧重信用风险，异常样本则多为非人为的系统性偏差。三者可能叠加出现，例如一个逾期样本同时存在欺诈嫌疑，此时归因分析需要分层剥离。
2.2 业务场景中的坏样本识别标准
不同业务线对坏样本的定义差异显著。以下从四个主流场景给出具体的识别标准：
2.2.1 信贷风控场景
- 逾期天数阈值：M1（30天+）、M3（90天+）通常作为坏样本标签。
- 多头借贷指数：近3个月申请机构数 ≥ 5 视为高风险。
- 设备指纹冲突：同一设备关联超过3个不同身份信息。
2.2.2 交易反欺诈场景
- 交易频次异常：1小时内交易次数超过历史均值3个标准差。
- 金额突变：单笔金额超过用户历史最大交易额的5倍。
- 地理位置跳跃：两次交易间隔小于30分钟但距离超过500公里。
2.2.3 运营增长场景
- 虚假流量：点击率超过行业均值2倍且转化率为0。
- 薅羊毛行为：同一IP/设备领取优惠券次数超过活动限制。
- 沉默用户：注册后7天内无任何有效交互行为。
2.2.4 模型监控场景
- PSI（群体稳定性指数）> 0.25：模型评分分布发生显著偏移。
- 特征缺失率飙升：某特征缺失率从1%突然升至15%以上。
- 预测置信度骤降：模型输出概率集中在0.4-0.6区间，区分力消失。
实战建议：识别标准不是一成不变的。建议每季度根据业务数据分布重新校准阈值，避免因客群迁移导致坏样本定义失效。
2.3 坏样本分类与识别流程
下图展示了从原始数据到坏样本分类的完整识别链路，帮助分析人员建立系统化的判断框架：
2.4 坏样本定义中的常见陷阱
避坑指南：以下三个问题在实际项目中反复出现，直接影响归因分析结论的可靠性。
- 幸存者偏差：只关注已识别的坏样本，忽略未被规则捕获的潜在坏样本。例如，仅用逾期M3+作为坏样本，会漏掉大量M1-M2的早期风险信号。
- 标签噪声：人工标注的坏样本可能存在误标。建议在建模前做标签清洗，剔除明显矛盾或证据不足的样本。
- 时间窗口错配：坏样本的定义时间窗口与特征观察窗口不一致。例如，用T+30天的逾期标签去归因T-1天的行为特征，中间的时间差可能导致因果倒置。
2.5 坏样本分类的落地清单
在实际项目中，建议按以下清单逐项确认坏样本定义：
| 检查项 | 具体内容 | 完成状态 |
|---|---|---|
| 业务对齐 | 与业务方确认坏样本的业务含义（如逾期天数、欺诈认定标准） | □ 待完成 |
| 数据验证 | 检查坏样本标签在数据表中的覆盖率、缺失率、分布稳定性 | □ 待完成 |
| 规则文档 | 将识别规则写入文档，包括阈值来源、更新频率、责任人 | □ 待完成 |
| 交叉验证 | 用至少两种不同方法（规则+模型）验证坏样本集合的一致性 | □ 待完成 |
| 版本管理 | 记录每次坏样本定义变更的时间、原因、影响范围 | □ 待完成 |
核心原则：坏样本定义宁可偏严（高精确率）也不要偏宽（高召回率但噪声大）。在归因分析中，一个干净的坏样本集合远比一个庞大的脏集合更有价值。