1. 课程导论：A/B测试在金融风控中的价值、授信决策引擎的核心流程、本课程学习目标与适用人群

1.1 为什么金融风控需要A/B测试？

在信贷业务中，每一次授信策略的调整——无论是修改评分卡阈值、引入新的第三方数据源，还是调整额度定价公式——都直接影响资产质量与用户体验。传统的“全量上线+事后监控”模式存在三大痛点：

• 无法隔离因果：业务量波动、客群季节性变化、外部经济环境等因素与策略效果混杂，难以判断指标变化是否由新策略引起。
• 试错成本高：劣质策略一旦全量上线，可能导致坏账率飙升或优质客户流失，修复代价巨大。
• 缺乏统计置信：小流量观察或简单前后对比无法排除随机性，决策缺乏科学依据。

A/B测试通过随机分流、对照实验和统计检验，为风控策略的迭代提供了“先验证、后全量”的工程化方法论。在授信决策场景中，A/B测试的核心价值体现在以下四个维度：

1.2 授信决策引擎的核心流程

授信决策引擎是信贷业务的中枢神经系统，负责在用户申请时实时计算风险等级、授信额度与定价。一个标准化的决策引擎流程通常包含以下五个阶段：

1. 申请接入与身份核验：接收用户提交的申请信息，通过OCR、人脸识别、运营商认证等手段完成反欺诈初筛。
2. 数据聚合与特征工程：调用内部数据（历史借贷、还款行为）与外部数据（征信报告、多头借贷、设备指纹），加工为结构化特征。
3. 规则引擎与评分卡：执行硬性拒绝规则（如年龄<18岁、命中黑名单），并运行申请评分卡（A卡）输出信用分数。
4. 额度定价模型：基于风险等级、收入负债比、资金成本等因素，计算授信额度与年化利率。
5. 决策输出与异步处理：返回通过/拒绝/人工审核结果，并将决策日志写入数据仓库用于后续监控与模型训练。

1.3 A/B测试在决策引擎中的嵌入方式

在授信决策引擎中实施A/B测试，并非简单地在流量入口做随机分流，而是需要与决策流程深度耦合。典型的嵌入方式包括：

• 策略层分流：在规则引擎或评分卡节点之前，根据用户ID哈希或随机数将流量分为对照组（现有策略）与实验组（新策略），后续节点分别执行不同逻辑。
• 模型层分流：针对评分卡或额度定价模型，同时部署新旧两个模型版本，实验组调用新模型打分，对照组调用旧模型。
• 参数层分流：仅调整某个阈值或系数（如拒绝线从600分调整为580分），其他逻辑保持不变，用于精细化参数调优。

1.4 本课程学习目标

通过本课程的系统学习，你将掌握以下核心能力：

1.5 适用人群

本课程面向以下三类核心人群，每类人群的学习侧重点有所不同：

• 风控策略分析师（占比约45%）：日常负责规则调优与策略迭代，需要掌握A/B测试的实验设计方法与指标评估体系，提升策略上线的科学性与说服力。
• 数据科学家/模型工程师（占比约35%）：负责评分卡开发与模型部署，需要理解如何在模型层实施分流实验，并处理实验数据中的偏差与噪声。
• 风控产品经理/技术管理者（占比约20%）：需要从全局视角理解A/B测试的工程架构与业务流程，推动团队建立实验文化并搭建实验平台。

1.6 课程特色与学习建议

本课程区别于纯理论教材或纯代码教程，强调“业务理解-实验设计-工程落地-数据分析”的闭环能力。每章均包含以下固定结构：

• 核心概念：用通俗语言解释关键术语与原理。
• 代码实战：提供可直接运行的Python代码片段，附带模拟数据集。
• 案例复盘：从真实业务场景出发，展示实验从设计到决策的全过程。
• 避坑提示：总结实践中容易忽视的细节与常见错误。