3. 实验假设与目标设定：零假设与备择假设、业务目标与实验目标的映射、关键绩效指标(KPI)选择
实验假设与目标设定是Champion实验设计的逻辑起点。一个没有清晰假设和可量化目标的实验，即使执行过程再严谨，也无法得出有意义的结论。本节将系统讲解如何构建统计假设、如何将业务目标转化为实验目标，以及如何选择最关键的绩效指标。
3.1 统计假设：零假设与备择假设
在风控策略实验中，统计假设是判断策略效果是否显著的理论基础。我们通常设定一对互斥的假设：
- 零假设（H₀）：默认假设，通常表示“无差异”或“无效果”。例如：新策略与旧策略的坏账率相同。
- 备择假设（H₁）：研究者希望验证的假设，通常表示“有差异”或“有效果”。例如：新策略的坏账率低于旧策略。
关键原则：实验设计的目的是通过样本数据来拒绝零假设（H₀），从而在统计上支持备择假设（H₁）。拒绝H₀意味着观察到的差异并非由随机波动引起。
在风控场景中，常见的假设类型包括：
| 假设类型 | 零假设（H₀） | 备择假设（H₁） | 适用场景 |
|---|---|---|---|
| 双尾检验 | 新策略坏账率 = 旧策略坏账率 | 新策略坏账率 ≠ 旧策略坏账率 | 不确定新策略方向，仅验证差异 |
| 单尾检验（左尾） | 新策略坏账率 ≥ 旧策略坏账率 | 新策略坏账率 < 旧策略坏账率 | 预期新策略降低风险 |
| 单尾检验（右尾） | 新策略通过率 ≤ 旧策略通过率 | 新策略通过率 > 旧策略通过率 | 预期新策略提升通过率 |
实操建议：在风控策略实验中，优先使用单尾检验。因为策略调整通常有明确的方向（如降低风险或提升通过率），单尾检验的统计功效更高，所需样本量更小。
3.2 业务目标与实验目标的映射
业务目标通常是宏观的、战略性的，而实验目标必须是具体的、可衡量的。将业务目标映射到实验目标是确保实验价值的关键步骤。
映射过程遵循以下三步：
- 拆解业务目标：将宏观业务目标（如“降低整体信贷风险”）拆解为可操作的子目标。
- 定义实验目标：为每个子目标定义具体的实验目标，明确实验要验证的核心变量。
- 建立映射关系：用表格或逻辑图将业务目标与实验目标对应起来。
| 业务目标 | 拆解子目标 | 实验目标 | 实验变量 |
|---|---|---|---|
| 降低整体信贷风险 | 降低高风险客群占比 | 验证新策略能否显著降低高风险客群的坏账率 | 策略规则阈值 |
| 提升审批效率 | 减少人工审核比例 | 验证新策略能否在保持坏账率不变的前提下提升自动通过率 | 自动决策规则 |
| 优化客户体验 | 缩短审批时间 | 验证新策略能否将平均审批时间缩短20%以上 | 审批流程节点 |
| 提高资产收益率 | 平衡风险与收益 | 验证新策略能否在风险可控的前提下提升授信额度 | 额度分配模型 |
常见误区：不要将业务目标直接当作实验目标。例如，“降低坏账率”是业务目标，但实验目标应该是“验证新策略的坏账率是否显著低于旧策略的坏账率（α=0.05）”。实验目标必须包含统计显著性要求。
3.3 关键绩效指标（KPI）选择
KPI是衡量实验效果的量化标尺。选择正确的KPI决定了实验能否准确反映策略的真实效果。在风控策略实验中，KPI通常分为三类：
- 风险类KPI：坏账率、逾期率、欺诈率、损失率等。
- 收益类KPI：通过率、授信额度、利息收入、客户生命周期价值等。
- 效率类KPI：审批时间、自动化率、人工审核成本、系统响应时间等。
选择KPI时需遵循以下原则：
| 原则 | 说明 | 反例 |
|---|---|---|
| 可衡量性 | KPI必须能够从实验数据中准确计算 | “客户满意度”无法直接量化 |
| 敏感性 | KPI对策略变化足够敏感，能反映差异 | “总放款量”受外部因素影响过大 |
| 时效性 | KPI能在实验周期内观测到 | “最终损失率”需要12个月才能确定 |
| 业务相关性 | KPI与业务目标直接关联 | “点击率”与信贷风险无关 |
| 可解释性 | KPI能被业务方理解和接受 | 复杂的统计指标难以沟通 |
最佳实践：每个实验至少选择1个主要KPI（Primary KPI）和2-3个次要KPI（Secondary KPI）。主要KPI用于假设检验决策，次要KPI用于辅助分析和监控副作用。例如，在降低风险策略中，主要KPI可以是“30天逾期率”，次要KPI可以是“通过率”和“平均授信额度”。
3.4 案例：从业务目标到实验假设的完整映射
假设某消费金融公司希望“降低新客群的信用风险”，同时“不显著影响通过率”。以下是完整的映射过程：
- 业务目标：降低新客群信用风险，保持业务增长。
- 拆解子目标：将高风险新客的审批阈值提高，同时保持中低风险客群的通过率。
- 实验目标：验证新策略（提高高风险客群拒绝阈值）能否将新客群30天逾期率降低20%以上，且通过率下降不超过5%。
- 统计假设：
- H₀：新策略的30天逾期率 ≥ 旧策略的30天逾期率
- H₁：新策略的30天逾期率 < 旧策略的30天逾期率
- KPI选择：
- 主要KPI：30天逾期率（风险类）
- 次要KPI：通过率（收益类）、平均授信额度（收益类）、审批时间（效率类）
关键结论：实验假设与目标设定是Champion实验设计的“北极星”。清晰的假设让实验有方向，明确的目标让结果可衡量，合理的KPI让决策有依据。三者缺一不可，共同构成实验设计的核心框架。