1. 课程导论:从业务规则到特征分层

1.1 什么是业务规则

业务规则是组织在运营过程中必须遵守的约束、条件与决策逻辑。它们通常以自然语言或结构化语句的形式存在,直接反映业务政策、法规要求或操作规范。

  • 定义性规则:如“客户年龄必须≥18岁”。
  • 推导性规则:如“如果订单金额 > 1000 且会员等级为黄金,则运费全免”。
  • 约束性规则:如“同一身份证最多开立3个账户”。
关键认知:业务规则是特征工程的语义起点。脱离业务规则构造的特征,往往缺乏可解释性与业务对齐度。

1.2 什么是特征分层

特征分层是一种将原始数据逐步加工为高价值、可复用特征的架构方法。它借鉴了数据仓库的分层思想,将特征按抽象程度与复用范围划分为多个层级。

层级 名称 说明 示例
D1 原始数据层 未经加工的源系统数据 交易流水、用户注册时间
D2 基础特征层 单表聚合、简单变换 近30天交易次数、年龄分段
D3 业务特征层 融入业务规则的组合特征 高价值客户标识、风控评分
D4 模型特征层 面向特定模型的优化特征 归一化后的特征、交叉特征

1.3 为什么需要从业务规则到特征分层

直接使用业务规则作为模型输入,或完全脱离业务规则做自动化特征工程,都会带来严重问题。下表对比了两种常见做法的缺陷与分层方案的优势:

做法 典型问题 后果
业务规则直接入模 规则硬编码、缺乏泛化能力 模型过拟合、维护成本高
纯自动化特征工程 特征可解释性差、业务对齐度低 模型难以落地、合规风险高
业务规则→特征分层 规则转化为可复用特征,分层管理 高可解释、易维护、强复用
避坑提示:不要试图在模型特征层直接编码业务规则。规则应沉淀在业务特征层,模型特征层只做数学变换与降维。

1.4 课程目标与学习路径

本课程旨在帮助你建立一套从业务规则识别到特征分层落地的完整方法论。完成学习后,你将能够:

  • 准确识别并拆解业务规则中的特征要素。
  • 设计符合业务语义的特征分层架构。
  • 使用Python实现从规则到特征的自动化流水线。
  • 在真实项目中平衡特征的可解释性与模型性能。

学习路径分为四个阶段:

  1. 基础篇(第1-8章):业务规则解析与特征分层理论。
  2. 方法篇(第9-18章):特征工程核心技术与分层实践。
  3. 实战篇(第19-25章):端到端项目案例(风控/推荐/营销)。
  4. 进阶篇(第26-30章):自动化特征平台与MLOps集成。
业务规则 → 特征分层核心流程 业务规则 约束/条件/推导 规则解析 拆解特征要素 特征分层设计 D1→D2→D3→D4 特征工程 代码实现 核心原则 1. 业务规则是特征工程的语义起点,不可跳过。 2. 特征分层让规则从“硬编码”变为“可复用资产”。 3. 每一层都有明确的加工标准与复用边界。 特征分层架构(D1-D4) D1 原始数据层 交易流水、用户信息、产品目录、日志数据 D2 基础特征层 单表聚合(近30天交易次数)、简单变换(年龄分段) D3 业务特征层 高价值客户标识、风控评分、业务规则编码特征 D4 模型特征层 归一化、标准化、交叉特征、PCA降维特征
本章小结:业务规则是特征工程的语义起点,特征分层是架构保障。从规则到分层的转化,解决了特征可解释性、复用性与维护性的核心矛盾。接下来的章节将逐一拆解每一层的设计方法与实现技巧。