1. 课程导论：A/B测试在支付风控中的价值、课程目标与适用人群、整体学习路径
1.1 为什么支付风控需要A/B测试？
支付风控的核心是在拦截欺诈与保障用户体验之间找到最优平衡点。传统风控策略上线通常采用“全量切换”或“灰度发布”，但缺乏严格的因果推断机制，难以量化策略变更对通过率、交易额、坏账率等核心指标的净影响。
A/B测试（随机对照试验）为支付风控提供了科学的决策框架。通过将流量随机分为实验组（新策略）与对照组（旧策略），可以在真实交易环境中隔离策略效果，避免时间效应、用户异质性等混杂因素的干扰。
核心价值矩阵：
| 维度 | 传统灰度发布 | A/B测试驱动 |
|---|---|---|
| 因果推断 | 弱（依赖前后对比） | 强（随机化+对照组） |
| 风险可控 | 按比例放量，但无统计边界 | 预设最小样本与显著性水平 |
| 指标归因 | 易受外部事件干扰 | 净效果可量化 |
| 迭代速度 | 慢（需人工决策） | 快（自动化决策+早期停止） |
在支付场景中，A/B测试的价值具体体现在：
- 量化策略收益：新规则拦截率提升5%，但通过率下降2%，净收益是否为正？
- 降低误杀成本：避免因策略过严导致大量真实用户交易失败，引发客诉与流失。
- 加速模型迭代：风控模型上线前，通过A/B测试验证其泛化能力与稳定性。
- 合规与审计：提供可追溯的实验记录，满足监管对策略变更的透明性要求。
1.2 课程目标
本课程旨在培养学员具备在支付风控场景中独立设计、执行、分析A/B测试的能力。完成本课程后，学员将能够：
- 理解A/B测试的统计学基础：假设检验、样本量计算、显著性水平、统计功效。
- 掌握支付风控特有指标：交易通过率、欺诈拦截率、误杀率、坏账率、用户申诉率。
- 设计符合风控场景的实验方案：流量分割、随机化单元选择、分流策略（用户级/交易级/设备级）。
- 规避常见陷阱：网络效应、样本污染、多重比较、早停偏差。
- 使用Python/R进行实验分析：基于真实风控数据集进行假设检验与效果评估。
- 构建实验决策看板：实时监控实验指标，支持自动停止与放量决策。
适用人群：
- 支付风控策略分析师、风控模型工程师
- 数据科学家、机器学习工程师（涉及风控模型评估）
- 产品经理（支付/风控方向）
- 对因果推断与实验设计感兴趣的技术管理者
1.3 整体学习路径
课程共分为8个模块，从基础理论到实战落地，层层递进：
| 模块 | 章节 | 核心内容 |
|---|---|---|
| 基础篇 | 1-2 | A/B测试导论、统计学基础（假设检验、样本量、功效） |
| 风控指标篇 | 3 | 支付风控核心指标体系与实验指标设计 |
| 实验设计篇 | 4-5 | 分流策略、随机化单元、网络效应处理、多重比较校正 |
| 分析实战篇 | 6-7 | Python实战：数据预处理、假设检验、结果解读、可视化 |
| 决策与监控篇 | 8 | 实验看板构建、自动停止规则、放量决策框架 |
1.4 课程特色与预备知识
预备知识要求：
- 基础统计学：均值、方差、正态分布、t检验（课程第2章会快速回顾）
- Python基础：pandas、numpy、scipy（第6-7章实战需要）
- 支付风控基础：了解交易链路、风控决策引擎基本概念
课程特色：
- 真实风控数据集：脱敏后的支付交易数据，包含用户、设备、交易金额、风控决策结果等字段。
- 可复现代码：每章提供完整Python代码，可直接在Jupyter Notebook中运行。
- 避坑指南：总结支付风控A/B测试中常见的10+个陷阱及解决方案。
- 决策框架：提供从实验设计到放量上线的标准化SOP。