3. 人群切片概念：什么是人群切片、切片维度与风控作用
在风控A/B测试中，人群切片（Cohort Slicing / Segmentation）是将用户群体按照特定维度拆分为多个同质子集的过程。每个子集内部用户在关键风险特征上高度一致，而子集之间则存在显著差异。切片是A/B测试的基石——没有合理的切片，实验结论将混杂、不可信。
3.1 什么是人群切片
人群切片不是简单的“分组”，而是基于业务逻辑与风险分布，将用户划分为可解释、可对比、可干预的单元。一个有效的切片应满足：
- 组内同质：同一切片内用户风险水平接近，减少内部方差。
- 组间异质：不同切片间风险水平或行为模式有明显差异。
- 业务可解释：每个切片有明确的业务含义（如“近30天逾期1次”、“新注册未授信”）。
- 样本充足：每个切片至少满足最小样本量要求，保证统计功效。
核心原则：切片越细，组内噪声越小，但样本量越少；切片越粗，样本量越大，但组内异质性越高。实践中需要在纯度与样本量之间取得平衡。
3.2 切片三大维度
风控人群切片通常从三个核心维度切入：用户画像、行为特征、信用表现。下表对比了各维度的典型变量与适用场景：
| 维度 | 典型变量 | 切片目的 | 常见应用 |
|---|---|---|---|
| 用户画像 | 年龄、性别、地域、职业、收入层级、设备类型 | 识别不同客群的基础风险差异 | 新客准入策略、差异化定价 |
| 行为特征 | 登录频次、浏览时长、借款间隔、还款方式偏好、APP操作路径 | 捕捉用户近期意图与活跃度 | 额度调整、营销触达时机优化 |
| 信用表现 | 历史逾期次数、当前逾期天数、征信查询次数、多头借贷数、授信使用率 | 直接反映用户信用风险水平 | 催收策略分层、通过率A/B测试 |
实战建议：在A/B测试中，优先使用信用表现维度做主分层变量，因为其与核心指标（如逾期率）直接相关，能最大程度降低组间偏差。用户画像和行为特征更适合作为交叉分析的辅助维度。
3.3 切片在风控中的作用
人群切片在风控全链路中扮演着关键角色，主要体现在以下四个方面：
- 提升A/B测试灵敏度：通过切片消除混杂变量，使实验组与对照组在相同客群上可比，更容易检测到策略的真实效果。
- 实现精细化策略部署：不同切片可应用不同风控策略（如高信用切片降低通过门槛，高风险切片加强验证），避免“一刀切”带来的误杀或漏放。
- 识别异质性处理效应：同一策略在不同切片上效果可能截然相反。切片分析能发现“对A客群有效、对B客群有害”的细分机会。
- 支撑模型监控与迭代：切片层面的性能监控（如各切片下的AUC、KS）比整体指标更早暴露模型退化或数据漂移问题。
3.4 切片维度选择矩阵
在实际项目中，不同业务阶段和测试目标对应不同的切片优先级。以下矩阵可作为快速参考：
| 测试目标 | 首选维度 | 次选维度 | 说明 |
|---|---|---|---|
| 通过率策略调整 | 信用表现（历史逾期） | 用户画像（收入层级） | 高风险切片需更严格规则 |
| 额度定价测试 | 信用表现（授信使用率） | 行为特征（借款间隔） | 高使用率客群对额度更敏感 |
| 催收策略优化 | 行为特征（还款方式偏好） | 信用表现（当前逾期天数） | 不同还款习惯需不同触达方式 |
| 新客准入策略 | 用户画像（地域+年龄） | 行为特征（注册渠道） | 新客缺乏信用记录，依赖画像 |
| 营销活动响应率 | 行为特征（登录频次） | 用户画像（职业） | 活跃用户对营销更敏感 |
常见陷阱：不要一次性使用过多切片维度。三维以上交叉切片会导致样本量指数级下降，且结果难以解释。建议先做单维度主切片，再在分析阶段加入第二维度做交叉验证。
3.5 切片与A/B测试的衔接
人群切片在A/B测试中的标准流程如下：
- 确定核心指标：如逾期率、通过率、平均额度。
- 选择切片维度：根据指标选择最相关的1~2个维度。
- 定义切片边界：如“近90天逾期0次 vs 1~2次 vs 3次以上”。
- 样本量校验：确保每个切片内实验组+对照组样本量满足最小要求。
- 随机分流：在每个切片内部独立进行随机分组。
- 分层分析：分别计算每个切片的效果，并做整体加权汇总。
关键要点：切片必须在实验设计阶段就确定，不能在分析阶段事后补做。事后切片会破坏随机性，导致选择偏差，使A/B测试结论失效。