1. 课程导论：分群评分沙盘模型的定义、应用场景与学习路径
1.1 什么是分群评分沙盘模型？
分群评分沙盘模型是一种结合了无监督分群与有监督评分的复合建模框架。其核心思想是：先将样本划分为若干个行为模式或风险特征相似的子群体（分群），再在每个子群体内部独立训练评分模型（评分），最后通过沙盘推演机制对分群策略与评分阈值进行联合仿真与评估。
核心公式（沙盘推演损失函数）：
L_sandbox = Σ_{k=1}^{K} [ α · AUC_k + β · KS_k + γ · (1 - 群体稳定性指数) ]其中 K 为分群数，AUC_k 和 KS_k 为第 k 个群体的区分度指标，群体稳定性指数衡量分群结果在时间维度上的鲁棒性。
1.2 模型架构总览
下图展示了分群评分沙盘模型的完整工作流，包含数据输入、分群引擎、评分引擎与沙盘评估四个核心模块：
1.3 核心应用场景
分群评分沙盘模型在金融风控与市场营销两大领域具有广泛的应用价值。下表对比了两个场景的核心差异：
| 维度 | 金融风控 | 市场营销 |
|---|---|---|
| 目标 | 识别违约风险，降低坏账率 | 识别高响应客户，提升转化率 |
| 分群依据 | 收入稳定性、负债率、历史逾期模式 | 消费偏好、活跃度、渠道来源 |
| 评分输出 | 违约概率（PD） | 响应概率 / 购买倾向分 |
| 沙盘推演重点 | 阈值对通过率与坏账率的影响 | 阈值对触达成本与 ROI 的影响 |
| 典型指标 | AUC、KS、坏账率、通过率 | 提升度、响应率、成本收益比 |
实战案例提示： 某消费金融公司使用分群评分沙盘模型，将用户按“收入稳定性”与“历史借贷次数”分为 4 个群体，每个群体独立训练评分卡。沙盘推演发现：将高收入稳定群体的审批阈值从 0.5 下调至 0.3，通过率提升 18%，而坏账率仅上升 0.7%，整体收益提升 12.3%。
1.4 课程目标
完成本课程后，学员将具备以下能力：
- 理解原理： 掌握分群评分沙盘模型的理论基础与数学框架。
- 独立实现： 使用 Python（scikit-learn、XGBoost、LightGBM）搭建完整的分群评分流水线。
- 沙盘推演： 设计并执行多轮沙盘仿真，输出最优策略配置。
- 评估与部署： 使用 AUC、KS、群体稳定性指数（PSI）等指标评估模型，并生成可部署的评分规则。
1.5 学习路径与章节规划
课程共分为 30 章，按以下四个阶段递进：
1.6 前置知识要求
- 编程： 熟悉 Python 基础语法，了解 pandas、numpy、matplotlib 基本用法。
- 机器学习： 了解监督学习（分类、回归）与无监督学习（聚类）的基本概念。
- 数学： 具备基础的统计学知识（均值、方差、分布、假设检验）。
⚠️ 注意： 本课程不从头讲解 Python 语法或机器学习基础理论。如果上述前置知识存在短板，建议先完成相关预备课程或参考附录中的速查资料。