3. 切片指标体系：坏账率、逾期率、通过率、响应率、F1-score 在切片中的定义
人群切片评估的核心在于将宏观风控指标下沉到每个细分群体中。本章定义切片场景下五个核心指标的计算口径、业务含义与适用边界，避免因口径混淆导致评估失真。
3.1 指标定义总览
以下表格汇总五个指标在切片中的标准定义，所有分母均基于切片内样本量，而非全量客群。
| 指标 | 切片内计算公式 | 分母 | 分子 | 典型阈值 |
|---|---|---|---|---|
| 坏账率 | 坏账样本数 / 切片总样本数 | 切片内所有授信用户 | 逾期 ≥ M3+ 且经催收确认无法回收 | < 3% |
| 逾期率 | 逾期样本数 / 切片总样本数 | 切片内所有在贷用户 | 当前逾期 ≥ 1 天 | < 5% |
| 通过率 | 通过样本数 / 切片申请样本数 | 切片内所有提交申请的用户 | 通过风控决策且完成授信 | 30%–70% |
| 响应率 | 响应样本数 / 切片触达样本数 | 切片内被营销或策略触达的用户 | 完成申请或点击转化 | > 10% |
| F1-score | 2 × (Precision × Recall) / (Precision + Recall) | 切片内预测结果与真实标签 | 精确率与召回率的调和均值 | > 0.6 |
口径提示：切片评估时，坏账率与逾期率最易混淆。坏账强调“最终损失”，逾期强调“当前状态”。在切片分析中，建议同时观察两个指标，若逾期率高但坏账率低，说明催收有效；若两者同步上升，则需警惕切片信用风险恶化。
3.2 指标在切片中的计算逻辑
切片指标的计算必须遵循“切片内独立统计”原则，不能将全量指标直接下钻。以下通过一个具体案例说明。
3.2.1 坏账率与逾期率
假设对“年龄 25–30 岁 + 收入 5k–8k”切片进行评估：
- 切片总样本数：10,000 人
- 当前逾期 ≥ 1 天：800 人 → 逾期率 = 800 / 10,000 = 8%
- 最终确认为坏账（M3+ 且无法回收）：120 人 → 坏账率 = 120 / 10,000 = 1.2%
该切片逾期率偏高（8%），但坏账率可控（1.2%），说明短期逾期用户中大部分能通过催收回归正常，切片风险等级为“中风险但可经营”。
3.2.2 通过率与响应率
通过率反映风控策略对该切片的“准入严格程度”，响应率反映营销触达的“转化效率”。两者结合可判断切片是否存在“误杀”或“无效曝光”。
- 响应率低 + 通过率低：切片质量差，建议减少资源投入。
- 响应率高 + 通过率低：用户有意愿但风控拒绝率高，需检查策略是否过于严格。
- 响应率低 + 通过率高：触达方式无效，但通过用户质量好，需优化触达渠道。
3.2.3 F1-score 在切片中的特殊含义
F1-score 在切片评估中用于衡量“风控模型在该切片上的预测平衡性”。切片样本量较小时，F1-score 波动剧烈，需结合置信区间判断。
# 切片内 F1-score 计算示例（Python 伪代码）
def slice_f1_score(y_true, y_pred):
tp = sum((y_true == 1) & (y_pred == 1))
fp = sum((y_true == 0) & (y_pred == 1))
fn = sum((y_true == 1) & (y_pred == 0))
precision = tp / (tp + fp) if (tp + fp) > 0 else 0
recall = tp / (tp + fn) if (tp + fn) > 0 else 0
f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
return f1
# 切片 A 结果：precision=0.72, recall=0.65 → F1=0.683
# 切片 B 结果：precision=0.90, recall=0.40 → F1=0.554
注意：切片样本量小于 500 时，F1-score 的方差会显著增大。建议对低频切片使用 F1-score 的 Bootstrap 置信区间，或直接采用 精确率-召回率曲线下面积（PR-AUC） 替代。
3.3 指标关系与决策流程
以下 SVG 展示了切片评估中五个指标的联动关系与决策路径，帮助理解从数据采集到策略调整的完整闭环。
3.4 切片指标对比矩阵
不同切片场景下，各指标的敏感度与优先级不同。以下矩阵帮助选择核心关注指标：
| 切片场景 | 首要指标 | 次要指标 | 辅助指标 | 说明 |
|---|---|---|---|---|
| 新客准入切片 | 坏账率 | 通过率 | F1-score | 控制损失优先，兼顾通过规模 |
| 存量经营切片 | 响应率 | 逾期率 | 通过率 | 提升转化，监控贷中风险 |
| 模型验证切片 | F1-score | 坏账率 | 逾期率 | 评估模型区分度与稳定性 |
| 催收策略切片 | 逾期率 | 坏账率 | — | 区分短期逾期与长期坏账 |
| 营销响应切片 | 响应率 | 通过率 | 坏账率 | 平衡获客成本与风险 |
3.5 常见误区与避坑指南
误区 1：将全量坏账率直接除以切片占比得到切片坏账率。
正确做法：切片坏账率必须基于切片内独立统计，分子分母均限定在切片范围内。
正确做法：切片坏账率必须基于切片内独立统计，分子分母均限定在切片范围内。
误区 2：切片样本量过小时仍使用 F1-score 作为唯一评估标准。
正确做法：样本量 < 500 时，优先使用精确率或召回率单一指标，或报告 F1-score 的 Bootstrap 置信区间。
正确做法：样本量 < 500 时，优先使用精确率或召回率单一指标，或报告 F1-score 的 Bootstrap 置信区间。
误区 3：忽略通过率与响应率的联动关系，单独优化其中一个指标。
正确做法：始终将通过率与响应率成对分析，避免“高响应低通过”或“高通过低响应”的失衡状态。
正确做法：始终将通过率与响应率成对分析，避免“高响应低通过”或“高通过低响应”的失衡状态。
3.6 切片指标可视化示例
以下 SVG 展示一个典型切片评估仪表盘的核心组件，包含四个指标卡与一个综合评分区，帮助快速定位切片健康度。
3.7 本章小结
- 坏账率与逾期率必须区分“最终损失”与“当前状态”，切片内独立计算。
- 通过率与响应率成对分析，避免单一指标优化导致策略失衡。
- F1-score 在切片中衡量模型平衡性，小样本场景需谨慎使用。
- 切片评估应遵循“指标联动 → 综合判定 → 策略调整”的闭环流程。
- 使用仪表盘可视化可快速定位切片健康度，提升跨团队沟通效率。