分群策略基础：为什么要分群、分群的维度、分群粒度与业务平衡

在支付风控中，分群是将具有相似风险特征或行为模式的实体（用户、设备、交易、商户）归入同一群体的过程。分群是评分卡、规则引擎和沙盘推演的基石——没有合理的分群，任何评分或策略都将是“一刀切”的粗放管理。

1. 为什么要分群？

支付场景的多样性决定了风险分布的极端不均衡。一笔来自新注册用户的 10 元小额转账，与一笔来自 5 年老用户的 10 万元大额采购，其风险特征完全不同。分群的核心价值在于：

• 提升识别精度：不同群体的风险因子权重不同，分群后可为每个群体定制专属评分模型。
• 降低误杀率：对低风险群体放宽策略，减少对正常用户的打扰；对高风险群体收紧策略，堵住漏洞。
• 优化资源分配：将审核、人工复核等有限资源集中到高风险群体上。
• 支持沙盘推演：分群是沙盘评分的基础单元，只有分群合理，才能模拟策略调整对特定人群的真实影响。

2. 分群的四大维度

支付风控分群通常从以下四个维度切入，每个维度下又可细分若干子维度：

3. 分群粒度与业务平衡

分群粒度是指分群的粗细程度。粒度越细，群体越同质，但样本量越小，模型稳定性越差；粒度越粗，样本量越大，但群体内部风险差异可能被掩盖。分群粒度需要在以下三个要素之间取得平衡：

• 统计显著性：每个分群至少需要 1000~5000 笔有效交易样本，才能支撑评分卡开发和策略回测。
• 业务可解释性：分群规则必须能被风控运营、审核团队理解和执行，过于复杂的规则难以落地。
• 策略灵活性：分群数量不宜过多（通常 5~15 个），否则策略维护成本急剧上升，沙盘推演时也难以穷举。

4. 分群策略的落地步骤

从理论到实践，分群策略通常遵循以下步骤：

1. 数据探索：统计各维度的分布、缺失率、异常值，识别天然的分群边界（如注册时长 7 天、30 天、1 年）。
2. 初步分群：基于业务经验，从 1~2 个维度出发，构建 5~8 个初始分群。
3. 评估分群质量：计算每个分群的样本量、逾期率/欺诈率、KS 值（区分度），剔除样本量过小或风险差异不显著的分群。
4. 迭代优化：引入更多维度，使用决策树或聚类算法辅助发现最优分群边界，但最终需业务确认。
5. 固化分群：将分群规则写入风控引擎，并建立分群监控看板，定期检查分群稳定性。

5. 分群效果评估指标

分群是否有效，可以通过以下指标量化评估：