1. 课程导论：规则冲突与样本分层优化的行业背景、课程目标与学习路径概览
1.1 行业背景：风控规则体系的演进与挑战
在信贷、支付、保险等金融风控领域，规则引擎长期作为核心决策组件。随着业务复杂度提升，规则数量从早期的数十条膨胀至数千甚至上万条，由此引发两大核心痛点：
- 规则冲突：多条规则对同一客群给出矛盾决策（如“近3个月查询次数>10次”拒绝 vs “公积金连续缴纳12个月”通过），导致决策结果不可解释、线上通过率异常波动。
- 样本分层失效：传统基于单一时间窗口或静态标签的分层策略，无法捕捉客群在多头借贷、收入波动等场景下的动态风险迁移，造成模型训练样本分布偏移、策略回测失真。
行业数据警示： 某头部消费金融平台2023年审计发现，因规则冲突导致的误拒率高达8.7%，年化损失超2.3亿元；同时因样本分层不合理，模型AUC在跨时间验证集上衰减超过15%。
规则冲突与样本分层问题并非孤立存在——冲突规则往往源于对同一客群的不同风险视角，而分层失效又会放大规则间的矛盾。因此，本课程将两者联合优化，形成系统性解决方案。
1.2 核心概念对比：规则冲突 vs 样本分层
| 维度 | 规则冲突 | 样本分层优化 |
|---|---|---|
| 定义 | 多条规则对同一实体输出互斥决策 | 将样本按风险特征划分为同质子集，提升模型/策略稳定性 |
| 典型场景 | 准入规则与反欺诈规则冲突、额度规则与定价规则冲突 | 新老客分层、多头借贷分层、收入稳定性分层 |
| 主要影响 | 通过率波动、决策不可解释、合规风险 | 模型过拟合、跨时间泛化差、策略回测偏差 |
| 解决思路 | 冲突检测 → 优先级排序 → 规则合并/剪枝 | 特征工程 → 聚类/分箱 → 分层验证 |
1.3 课程目标：从理论到可落地的系统能力
完成本课程后，学员将具备以下核心能力：
- 规则冲突全链路治理：掌握基于决策表、冲突图、优先级矩阵的检测与消解方法，能够独立设计规则冲突解决框架。
- 样本分层高级技术：熟练运用无监督聚类（K-Means、DBSCAN）、有监督分箱（决策树、卡方分箱）及时间序列分层策略。
- 联合优化实战：在真实风控数据集上，实现规则冲突消解与样本分层优化的联动调优，提升策略KS值5%~15%。
- 工程化落地：掌握规则引擎配置、分层Pipeline搭建、AB测试与监控看板设计。
适用人群： 风控策略分析师、数据科学家、模型开发工程师、风控系统架构师。建议具备基础SQL/Python能力及风控业务常识。
1.4 学习路径概览：30章递进式结构
课程按“基础 → 方法 → 实战 → 工程”四阶段设计，每阶段包含核心章节与配套练习：
| 阶段 | 章节范围 | 核心内容 | 产出物 |
|---|---|---|---|
| 基础篇 | 第1~6章 | 规则冲突定义、样本分层理论、数据探索与预处理 | 冲突检测脚本、分层特征工程代码 |
| 方法篇 | 第7~16章 | 冲突图算法、优先级矩阵、聚类分箱、时间序列分层 | 冲突消解算法库、分层策略模板 |
| 实战篇 | 第17~24章 | 信贷/支付场景联合优化、AB测试设计、策略回测 | 完整优化报告、可复现Notebook |
| 工程篇 | 第25~30章 | 规则引擎配置、分层Pipeline、监控看板、持续迭代 | 工程部署方案、监控Dashboard |
1.5 课程知识体系与学习路径图
下图展示了本课程的核心知识模块及其学习依赖关系，帮助学员建立全局视角：
1.6 学习建议与工具准备
重要提醒： 本课程所有实战章节均基于开源数据集（如Home Credit、Give Me Some Credit）或脱敏模拟数据，不涉及真实用户隐私。请学员在本地或云端搭建Python 3.8+环境，并安装以下核心库：pandas、numpy、scikit-learn、matplotlib、graphviz、imbalanced-learn。
建议学员按以下节奏学习：
- 每周2~3章：基础篇与方法篇需扎实理解，每章结束后完成课后练习。
- 实战篇重点投入：第17~24章建议分配2周时间，完整跑通Notebook并撰写优化报告。
- 工程篇选学：根据团队技术栈选择性学习规则引擎配置与Pipeline搭建。
课程配套提供完整代码仓库（GitHub）、练习题答案及答疑社区，确保学员在遇到规则冲突或分层效果不佳时能快速获得支持。