3、人群切片概念：什么是人群切片、切片维度（客户画像、产品类型、行业、地域）、切片粒度选择原则

3.1 什么是人群切片

人群切片（Cohort Slicing / Population Segmentation）是将一个整体资产组合按照特定维度拆解为若干个内部同质、外部异质的子群体，以便对每个子群体的风险表现进行独立归因与对比分析。切片不是简单的分组，而是有业务解释意义的、可回溯的、粒度可控的划分。

一个有效的切片应满足三个条件：

• 可解释性：切片维度与业务逻辑一致，分析师能理解为什么这样切。
• 可回溯性：切片规则可复现，历史回测时同一客户/资产能落入同一切片。
• 可行动性：切片结果能直接指导风控策略调整或资源分配。

3.2 切片维度

实际应用中，切片维度通常来自四个核心域。下表列出各维度的典型字段与适用场景：

3.3 切片粒度选择原则

切片粒度（Granularity）指每个切片包含的样本量或资产规模。粒度太粗会掩盖风险异质性，粒度太细则导致统计噪声过大。以下三条原则帮助确定合理粒度：

1. 统计显著性原则：每个切片至少包含30个样本（或满足业务约定的最小样本量），确保风险指标（如违约率、损失率）的置信区间可控。
2. 业务可解释性原则：切片边界应与业务决策单元对齐。例如风控策略通常按“客群-产品-渠道”三层划分，切片不应跨策略单元。
3. 稳定性原则：切片在时间序列上应保持相对稳定，避免因单月样本波动导致切片频繁合并或拆分。

3.4 切片粒度选择流程

下图展示了从原始数据到最终切片集的标准化流程：

3.5 切片粒度选择矩阵

下表给出不同场景下的推荐粒度参考：

3.6 切片维度组合示例

以下代码展示一个典型的多维切片定义（Python伪代码风格），用于说明切片规则如何落地：

# 切片定义：客户画像 × 产品类型 × 地域
slice_definitions = [
    {
        "name": "young_unsecured_urban",
        "filters": {
            "age_range": (18, 30),
            "product_type": "信用贷款",
            "region": "一线城市"
        },
        "min_sample": 100
    },
    {
        "name": "mid_income_mortgage_suburb",
        "filters": {
            "income_range": (10000, 30000),
            "product_type": "抵押贷款",
            "region": "二线城市"
        },
        "min_sample": 50
    }
]

# 切片生成逻辑
def create_slices(portfolio, slice_defs):
    slices = {}
    for sd in slice_defs:
        mask = True
        for key, val in sd["filters"].items():
            mask &= apply_filter(portfolio[key], val)
        slices[sd["name"]] = portfolio[mask]
    return slices