1. 课程导论：支付风控A/B测试的价值、适用场景与课程目标

1.1 为什么支付风控需要A/B测试？

支付风控系统在拦截欺诈交易的同时，不可避免地会误伤一部分正常用户。传统的“全量上线—观察大盘指标—回滚”评估方式存在三大痛点：

• 评估噪音大：大盘指标受季节、大促、渠道流量波动影响，难以分离出策略本身的真实效果。
• 风险不可控：新策略一旦误杀率过高，直接导致用户流失和客诉激增，缺乏灰度缓冲。
• 迭代效率低：无法同时对比多个候选策略，每次只能串行验证，拖慢模型迭代周期。

A/B测试通过随机分流、并行对比、统计推断，为支付风控提供了一套低风险、高置信度的策略评估框架。它让风控团队能够在真实流量中安全地验证假设，量化策略的收益与代价。

1.2 适用场景矩阵

并非所有风控变更都适合A/B测试。下表梳理了典型场景及其适用性判断：

1.3 支付风控A/B测试的独特挑战

与互联网产品A/B测试（如UI改版、推荐算法）相比，支付风控场景存在以下显著差异：

• 样本稀缺性：欺诈交易占比通常低于万分之一，导致正样本（欺诈）统计功效不足。
• 指标非对称性：拦截率提升1%可能带来客诉率上升5%，需要同时监控收益与代价。
• 延迟反馈：部分欺诈交易在数天甚至数周后才暴露（如盗刷、拒付），实验周期需覆盖完整生命周期。
• 网络效应：同一设备/账号可能出现在多个实验组，造成流量污染。

1.4 课程目标与学习路径

本课程旨在帮助学员建立从实验设计到统计决策的完整能力闭环。完成本课程后，你将能够：

1. 设计：根据风控策略变更类型，选择合适的分流单元与实验分层方案。
2. 实施：在支付链路中正确埋点、分流，并处理流量污染与样本偏误。
3. 分析：运用统计检验（Z检验、卡方检验、贝叶斯方法）评估策略效果。
4. 决策：结合业务成本与风险容忍度，做出上线/回滚/继续实验的决策。
5. 工程化：搭建自动化实验平台，实现策略迭代的持续评估。

1.5 课程知识体系总览

本课程共30章，按知识模块划分为以下五个阶段：