3. 授信决策模型生命周期：从开发、离线评估、在线A/B测试到全量上线的完整流程
授信决策模型从开发到全量上线，并非一次性的“训练-部署”动作，而是一个包含开发、离线评估、在线A/B测试、灰度放量、全量上线五个阶段的严谨生命周期。任何一个环节的缺失或粗糙，都可能导致模型在线上“水土不服”，造成资损或客诉。
核心原则： 离线指标好 ≠ 线上效果好；线上A/B测试短期好 ≠ 长期稳定好。每个阶段都有其独立的验证目标和“避坑”要点。
3.1 模型开发与特征工程
这是生命周期的起点。开发阶段的核心产出是可解释、可回溯、可监控的模型文件（如PMML、ONNX或Pickle）。
- 数据清洗： 处理缺失值、异常值、重复样本。特别注意“幸存者偏差”——仅用通过审批的样本训练模型会导致选择性偏差。
- 特征工程： 衍生变量（如收入负债比、近3个月查询次数）、WOE编码、特征分箱。特征必须包含上线后可实时获取的字段。
- 模型选型： 逻辑回归（可解释性强）、XGBoost/LightGBM（精度高）、深度学习（非结构化数据）。风控场景优先保证可解释性。
最佳实践： 开发阶段就定义好模型的输入特征快照和输出分数映射表，这是后续监控PSI（群体稳定性指标）的基础。
3.2 离线评估：守门员环节
离线评估是模型能否进入在线测试的硬性门槛。评估维度必须覆盖区分度、排序性、稳定性和业务可解释性。
| 评估维度 | 核心指标 | 合格阈值（参考） | 避坑要点 |
|---|---|---|---|
| 区分度 | KS、AUC | KS > 0.3, AUC > 0.75 | 区分度需在OOT（跨时间）样本上验证，避免过拟合 |
| 排序性 | Gini系数、Lift值 | Gini > 0.5 | 关注低分段和高分段的排序稳定性 |
| 稳定性 | PSI、特征PSI | 模型PSI < 0.1, 特征PSI < 0.05 | PSI过高说明模型分布偏移，上线后可能快速失效 |
| 业务可解释性 | 特征重要性、SHAP值 | Top10特征符合业务常识 | 黑盒模型需提供LIME/SHAP解释报告，否则业务方不通过 |
常见陷阱： 离线评估使用与训练集同分布的数据，导致KS虚高。务必使用跨时间窗口（OOT）样本和跨渠道样本进行验证。
3.3 在线A/B测试：Champion vs Challenger
这是灰度发布的核心环节。将小部分真实流量（通常1%~5%）分配给新模型（Challenger），与当前线上模型（Champion）进行对比。
A/B测试的关键监控指标包括：
- 审批通过率： Challenger不应导致通过率剧烈波动，否则影响业务量。
- 逾期率（FPD30/DPD60+）： 核心风险指标，需观察至少一个完整还款周期。
- 客诉率： 新模型可能因拒绝策略变化引发客诉，需实时监控。
- 响应时间： 模型推理耗时增加可能导致系统超时。
统计显著性要求： 使用双样本比例检验或t检验，p-value < 0.05 且统计功效 > 0.8 时，才能判定Challenger显著优于Champion。样本量不足时，宁可延长测试周期，也不可提前下结论。
3.4 灰度放量：渐进式切换
当A/B测试验证通过后，进入灰度放量阶段。放量策略通常采用阶梯式递增，每一步都设置观察期和回滚预案。
| 灰度阶段 | Challenger流量占比 | 观察周期 | 回滚条件 |
|---|---|---|---|
| 小流量验证 | 5% | 7天 | 逾期率上升 > 0.5% 或客诉率 > 阈值 |
| 中流量验证 | 20% | 14天 | KS下降 > 0.05 或 PSI > 0.1 |
| 大流量验证 | 50% | 14天 | 系统响应时间增加 > 20% |
| 全量切换 | 100% | 持续监控 | 任何指标触发告警 |
关键避坑： 灰度放量期间，禁止同时修改其他系统配置（如额度策略、催收策略）。否则无法定位指标波动的原因。每次放量前，必须确认Champion和Challenger的样本分布一致（如渠道、客群、时间窗口）。
3.5 全量上线与持续监控
全量上线不是终点，而是持续监控的起点。模型上线后，需要建立实时监控看板和日/周/月报机制。
- 实时监控： 模型响应时间、拒绝率、分数分布、特征缺失率。告警阈值需在灰度阶段校准。
- 日监控： 模型PSI、特征PSI、Top10特征重要性变化。PSI > 0.1 需触发预警。
- 周监控： 逾期率、通过率、客诉率。与Champion历史同期对比。
- 月监控： 模型区分度（KS/AUC）衰减情况。KS下降 > 0.1 需启动模型迭代。
生命周期闭环： 当监控发现模型性能衰减到阈值以下时，触发“模型迭代”流程，回到阶段①，形成完整的开发-评估-上线-监控-迭代闭环。
总结：授信决策模型的生命周期是一个严谨的工程化流程，每个阶段都有明确的准入标准和退出条件。跳过离线评估直接上线、A/B测试周期不足、灰度放量过快，是导致模型上线失败的三大主因。遵循本节的五阶段流程，可以有效降低灰度发布风险。