📚 课程目录第1章课程导论

1. 课程导论：支付风控A/B测试的定义、核心价值、与传统A/B测试的区别、课程目标与学习路径

支付风控A/B测试是一种在真实交易流量中，将用户或交易随机分为实验组（应用新风控策略）与对照组（沿用旧策略），通过对比两组在拦截率、误杀率、通过率、资损率等核心指标上的差异，来量化评估新策略效果与风险的因果推断方法。

  核心定义： 支付风控A/B测试 = 随机化实验 + 风控策略干预 + 支付安全指标度量。它不仅是“上线前的小流量验证”，更是风控策略迭代的黄金标准。

在支付风控领域，策略上线前的离线回测（Backtesting）往往存在选择性偏差和时间漂移问题。A/B测试通过在线随机化实验，提供了不可替代的三大价值：

价值维度	具体说明	典型场景
因果推断	消除混淆变量影响，准确量化新策略对资损、通过率的真实因果效应	新模型上线后，资损下降是否真的由模型带来？
风险可控	小流量（如1%~5%）先行验证，即使策略失效，损失范围可控，避免全量上线导致重大资损	新规则误杀率过高，仅影响小部分用户
量化决策	用P值、置信区间、效应量等统计指标代替“拍脑袋”决策，提升策略迭代效率	策略A提升拦截率5%，但误杀率上升0.3%，是否值得上线？

行业数据： 头部支付机构（如Stripe、Adyen、支付宝）超过80%的风控策略变更会经过A/B测试验证。未经过A/B测试直接全量上线的策略，回滚率高达30%~50%。

支付风控A/B测试虽然继承了经典A/B测试的框架，但在指标设计、样本分配、风险容忍度、统计方法上存在显著差异。下表梳理了关键区别：

本课程旨在帮助支付风控从业者、数据科学家、策略分析师系统掌握A/B测试在风控场景下的完整实操技能。课程采用“理论+代码+案例”三合一模式，覆盖从实验设计到上线决策的全流程。

阶段	章节范围	核心产出
基础篇	第1~5章	理解风控A/B测试定义、指标体系、统计学基础
设计篇	第6~10章	掌握样本量计算、分流策略、实验周期设计
分析篇	第11~18章	学会比率指标检验、Mann-Whitney U、Bootstrap、多重比较校正
实战篇	第19~25章	完成规则类、模型类、阈值类A/B测试全流程案例
进阶篇	第26~30章	处理辛普森悖论、网络效应、长期效应、自动化实验平台

学习前置要求： 建议具备基础的Python编程能力（pandas、numpy）和基本的统计学知识（假设检验、P值、置信区间）。每章均提供可运行的Jupyter Notebook代码示例。