1. 课程导论：坏样本归因看板在精算风控中的核心价值、课程目标与学习路径

1.1 什么是坏样本归因看板？

在精算风控模型中，坏样本（Bad Sample）通常指实际发生违约、逾期或赔付的保单/用户样本。坏样本归因看板是一套可视化分析工具，它将模型预测结果与实际表现进行对比，通过多维度下钻、特征分布对比和贡献度拆解，快速定位导致模型失效或风险偏移的根因。

1.2 坏样本归因看板在精算风控中的核心价值

1.3 坏样本归因看板的核心能力架构

一个完整的坏样本归因看板需要覆盖从数据接入到决策输出的全链路，其核心能力可归纳为以下四个层级：

1. 数据层：整合模型评分、实际标签、特征变量、时间戳等原始数据，完成清洗与对齐。
2. 分析层：执行特征重要性计算、分箱对比、PSI（群体稳定性指标）监控、SHAP值分解等归因算法。
3. 可视化层：通过趋势图、热力图、瀑布图、散点图等交互图表呈现归因结果。
4. 决策层：输出归因结论、风险提示、特征调优建议，支持一键导出报告。

1.4 课程目标

通过本课程，你将掌握以下核心能力：

• 理解归因逻辑：掌握坏样本归因的统计学与机器学习理论基础（PSI、SHAP、LIME、分箱对比等）。
• 搭建看板原型：使用 Python（Pandas、Plotly、Dash）或 BI 工具（Tableau、Power BI）搭建可交互的归因看板。
• 实战归因分析：基于真实信贷/保险数据集，完成从数据预处理到归因结论输出的完整流程。
• 优化模型策略：根据看板输出结果，提出有效的风控策略调整建议并验证效果。

1.5 学习路径与章节规划

课程共分为 6 个模块，30 个章节，建议按以下路径循序渐进：

1.6 坏样本归因看板搭建流程总览

从零到一搭建坏样本归因看板，通常遵循以下 6 个关键步骤。本课程将围绕此流程逐步展开教学：

1. 数据接入与清洗：整合模型评分、实际标签、特征数据，处理缺失值与异常值。
2. 特征分箱与编码：对连续特征进行最优分箱，对类别特征进行编码对齐。
3. 归因指标计算：计算 PSI、SHAP 值、特征贡献度、坏样本率对比等核心指标。
4. 看板布局设计：设计概览页、下钻页、详情页的交互结构与图表选型。
5. 交互功能开发：实现筛选器、下钻、悬浮提示、动态更新等交互能力。
6. 部署与监控：将看板部署至服务器或 BI 平台，配置定时刷新与预警规则。

1.7 预备知识与工具要求