3. 分群评分概念

在支付风控场景中，不同用户群体、不同交易场景的风险特征差异巨大。使用一套统一的评分模型对所有交易进行打分，往往会导致“一刀切”的误判——高净值用户的正常大额消费被拦截，而低活跃用户的试探性小额交易却被放过。分群评分正是为了解决这一核心矛盾而设计的策略。

3.1 为什么需要分群

分群的核心驱动力来自两个维度：用户分层与场景差异。忽略这两个维度，模型将无法捕捉风险分布的异质性。

用户分层

不同用户群体的交易行为基线完全不同。例如，一个月交易额百万级的商户与一个普通个人用户，其“异常”的定义阈值相差数个数量级。将两类用户混在一起训练模型，模型会倾向于拟合样本量更大的群体，导致少数群体的风险识别失效。

场景差异

支付场景（如线上电商、线下扫码、跨境汇款、信用卡还款）的风险模式截然不同。线上电商的“异地登录+深夜下单”是高危信号，而线下扫码的“同一设备频繁更换商户”则是典型套现行为。统一评分模型很难同时优化多个场景的区分度。

3.2 分群评分与统一评分的区别

统一评分（Global Score）与分群评分（Segmented Score）在模型架构、训练方式和输出解释上存在本质差异。下表从多个维度进行对比：

以下SVG图直观展示了两种评分架构的差异：

3.3 分群策略设计原则

分群策略不是随意划分，而是需要遵循一套严谨的设计原则，以确保分群后的子模型能够真正提升风控效果。

1. 业务可解释性：每个群组必须有清晰的业务含义，例如“高频大额商户”、“夜间活跃个人用户”。黑盒聚类结果（如K-Means的随机簇）难以解释，不适合直接用于风控决策。
2. 风险同质性：同一群组内的交易应具有相似的风险分布。如果群组内既有高风险套现交易，又有低风险日常消费，则分群未达到目的。
3. 样本充足性：每个群组必须包含足够的样本量（通常建议至少10,000笔正样本和1,000笔负样本），否则子模型容易过拟合。
4. 特征区分性：用于分群的特征（如交易金额、用户等级、设备指纹）必须能够有效区分不同风险模式。无区分度的特征会导致分群无效。
5. 动态可调整：分群策略应支持定期评估与调整。随着业务发展，某些群组可能消失，新群组可能出现，需要建立分群生命周期管理机制。

以下SVG图展示了分群策略设计的完整流程：