4. 灰度策略设计：用户分层策略、流量切分策略与策略组合设计

灰度试运行的核心在于“可控”与“可观测”。通过精心设计的灰度策略，将风险控制在最小范围内，同时收集足够的决策数据来验证新模型或规则的有效性。本节从用户分层、流量切分和策略组合三个维度展开。

4.1 用户分层策略

用户分层是灰度策略的基础。不同客群、渠道和风险等级的客户，对授信决策的敏感度和风险表现差异显著。分层越精细，灰度结论越可靠。

4.2 流量切分策略

流量切分决定了哪些用户会进入灰度实验组。常见的切分方式包括百分比切分、白名单控制和地域限制。

4.2.1 百分比切分

按用户ID或设备ID的哈希值取模，将流量按比例分配至实验组和对照组。例如，将5%的流量导向新模型，95%保持原有策略。

# 伪代码示例：基于用户ID的百分比切分
def assign_group(user_id, experiment_percent=5):
    hash_value = hash(user_id) % 100
    if hash_value < experiment_percent:
        return "experiment_group"  # 实验组
    else:
        return "control_group"     # 对照组

4.2.2 白名单切分

预先指定一批特定用户（如内部员工、测试账号、高价值客户）进入实验组。这种方式适合小范围验证，但需注意白名单用户的行为可能与真实用户存在偏差。

4.2.3 地域切分

按用户所在省份、城市或IP归属地进行划分。例如，先在“浙江省”灰度运行新策略，观察效果后再逐步扩展至其他省份。

4.3 策略组合设计

灰度试运行不是单一规则的替换，而是一组策略的组合切换。策略组合设计需要明确：哪些规则被替换、哪些规则被新增、哪些规则保持不变。

4.3.1 策略组合的三种模式

• 全量替换模式：将旧决策流整体替换为新决策流，适合模型版本升级。
• 增量叠加模式：在旧策略基础上，新增一条规则或模型分数，适合规则补充。
• 并行投票模式：新旧策略同时运行，取交集或加权融合，适合高风险场景。

4.3.2 策略组合配置示例

4.4 灰度策略设计检查清单

• 分层是否合理：客群、渠道、风险等级是否覆盖了灰度目标？
• 切分是否随机：百分比切分是否基于稳定ID（如用户ID）？避免同一用户反复切换组别。
• 组合是否完整：实验组和对照组的决策链路是否都完整可执行？
• 监控是否到位：是否对实验组和对照组的关键指标（通过率、逾期率、响应时间）设置了实时监控？
• 回滚是否就绪：一旦发现异常，能否在5分钟内将灰度流量切回对照组？