1. 课程导论：风控策略版本管理与样本分层的重要性
1.1 为什么风控策略需要版本管理与样本分层？
在信贷风控、支付反欺诈、交易监控等金融场景中，风控策略并非一成不变的静态规则集。随着客群结构变化、宏观经济波动、黑产攻击手段升级，策略需要持续迭代。如果没有规范的版本管理与科学的样本分层，风控团队将面临以下典型困境：
- 策略回滚困难：上线新策略后效果不及预期，却无法快速定位历史稳定版本。
- 样本分布偏移：训练样本与线上实时样本分布不一致，导致模型与规则失效。
- AB测试混乱：多版本并行时，流量切分与效果归因缺乏统一标准。
- 监管审计缺失：无法追溯某次策略调整的时间、原因与审批记录。
核心观点： 版本管理解决“策略从哪里来、到哪里去”的追溯问题；样本分层解决“策略对谁有效、对谁失效”的精准问题。两者结合，是风控体系从“经验驱动”迈向“数据驱动”的基石。
1.2 课程目标与学习路径
本课程旨在帮助风控从业者建立一套可落地、可审计、可复用的策略版本管理与样本分层方法论。完成本课程后，学员将具备以下能力：
| 能力维度 | 具体目标 | 对应章节 |
|---|---|---|
| 认知层 | 理解版本管理与样本分层的核心概念与业务价值 | 第1-2章 |
| 方法层 | 掌握版本命名规范、变更流程、回滚机制与灰度发布策略 | 第3-6章 |
| 技术层 | 学会样本分层设计、时间窗口划分、拒绝推断与样本加权技术 | 第7-12章 |
| 实战层 | 通过真实案例完成从策略开发、版本上线到效果监控的全流程 | 第13-18章 |
| 工具层 | 熟练使用Git、Jira、决策引擎、AB测试平台等工具进行协同管理 | 第19-22章 |
| 进阶层 | 探索自动化版本部署、动态样本分层与联邦学习下的策略管理 | 第23-30章 |
学习建议： 建议按照章节顺序学习，前12章为必修基础，后18章可根据实际工作场景选择性深入。每章末尾的“动手练习”与“思考题”建议独立完成，以巩固理解。
1.3 适用人群
本课程面向以下三类核心人群，同时也适合对风控体系感兴趣的数据分析师与产品经理：
- 风控策略分析师/工程师：日常负责策略开发、调优与上线，需要建立规范的版本管理意识与样本分层能力。
- 风控模型工程师：需要理解策略版本对模型训练样本的影响，掌握样本分层在模型监控与迭代中的应用。
- 风控团队负责人/技术管理者：需要从团队协作、流程规范、监管合规角度，推动风控策略体系的标准化建设。
1.4 风控策略版本管理与样本分层全景图
下图展示了本课程的核心知识体系与各模块之间的逻辑关系：
1.5 课程核心概念速览
在正式进入各章节之前，先快速建立几个关键术语的统一认知：
| 术语 | 定义 | 典型场景 |
|---|---|---|
| 策略版本 | 一组风控规则、模型阈值或决策逻辑的特定快照，具有唯一标识与生效时间范围 | V2.1.0 版本上线后，V2.0.0 作为回滚备选 |
| 样本分层 | 根据时间、客群、渠道等维度将样本划分为不同子集，用于训练、验证与监控 | 2024年Q1样本 vs 2024年Q2样本 |
| 拒绝推断 | 对历史被拒绝客群进行表现推断，补充样本标签，减少样本选择偏差 | 使用拒绝样本的催收表现推断好坏标签 |
| 灰度发布 | 将新策略先应用于小比例流量，观察效果后再逐步全量上线 | 5%流量切到新版本，95%保持旧版本 |
| PSI | 群体稳定性指标，衡量样本分布在不同时间窗口的偏移程度 | PSI > 0.25 时触发样本分层调整 |
常见误区： 很多团队将版本管理等同于“改个文件名加个日期”，将样本分层等同于“按月份切分数据”。本课程将揭示这些做法在复杂业务场景下的致命缺陷，并给出工业级解决方案。
1.6 学习路径图
为了帮助不同背景的学员高效学习，我们设计了三条推荐路径：
1.7 课程配套资源说明
本课程提供以下配套资源，帮助学员将理论转化为实践：
- 代码仓库：包含完整的策略版本管理脚本（Python + Git Hooks）、样本分层工具类、PSI计算函数。
- 模板文件：策略版本变更申请单、版本发布Checklist、样本分层设计文档模板。
- 数据集：脱敏后的信贷申请样本（含拒绝样本），用于拒绝推断与分层练习。
- 视频讲解：每章配套15-25分钟视频，重点演示工具操作与案例复盘。
课前准备： 建议提前安装Python 3.8+、Git、Jupyter Notebook，并注册一个决策引擎沙箱账号（课程提供免费试用指引）。第19章开始会频繁使用这些工具。