2. 风控策略基础：规则引擎、评分卡、决策树在风控中的应用与局限性
在构建基于A/B测试的风控调优体系之前，必须深刻理解三种经典风控工具：规则引擎、评分卡与决策树。它们构成了风控策略的“三驾马车”，但各自在可解释性、动态适应性与A/B测试兼容性上存在显著差异。
2.1 规则引擎：确定性拦截的基石
规则引擎是风控系统中最直接、最快速的决策层。它基于“IF-THEN”逻辑，对实时交易或申请进行硬性判断。
核心应用场景
- 黑名单/灰名单匹配：设备指纹、身份证、手机号命中已知风险库。
- 频次与额度控制：同一IP在1小时内申请超过5次，直接拒绝。
- 地理围栏异常：交易发生地与常用地跨省且时间间隔小于1小时。
局限性分析
| 维度 | 具体表现 | 对A/B测试的影响 |
|---|---|---|
| 刚性边界 | 阈值固定（如“3次/天”），无法区分“轻微超限”与“严重恶意”。 | 策略调优时，微小阈值变动（如从3次改为4次）可能引发通过率剧烈波动，难以稳定观测实验效果。 |
| 规则冲突 | 多条规则同时命中时，优先级定义复杂，易产生“误杀”或“漏放”。 | 实验组与对照组若规则优先级不同，会导致不可控的决策偏差。 |
| 维护成本 | 规则数量膨胀（常见数千条），新增规则需全量回归测试。 | A/B实验周期被拉长，无法快速迭代。 |
实战提示：规则引擎适合做“漏斗上层”的强拦截（如欺诈拒绝），但在信用评分或额度定价等连续决策场景中，单独使用规则引擎会导致策略“硬着陆”，无法实现精细化调优。
2.2 评分卡：概率预测的标准化工具
评分卡（Scorecard）通过逻辑回归或线性模型，将用户特征映射为违约概率（PD），再转换为整数分数。它是银行信贷风控的黄金标准。
标准评分卡结构
- 特征分箱：将连续变量（如年龄、收入）离散化为若干区间。
- WOE编码：用证据权重（Weight of Evidence）衡量每个分箱的好坏比。
- 分数映射：基于逻辑回归系数，为每个分箱分配分数。
局限性分析
| 维度 | 具体表现 | 对A/B测试的影响 |
|---|---|---|
| 线性假设 | 假设特征与对数几率呈线性关系，无法捕捉复杂交互（如“高收入+低年龄”的异常风险）。 | 实验组若引入非线性特征（如XGBoost分数），与对照组线性评分卡不可直接对比。 |
| 静态分箱 | 分箱边界一旦确定，长期不更新，导致特征区分能力随时间衰减。 | 策略调优时，若仅调整分数阈值而不更新分箱，实验效果可能被“陈旧特征”稀释。 |
| 群体稳定性 | 依赖PSI（群体稳定性指标）监控，但PSI波动大时，评分卡失效。 | A/B测试期间若客群结构突变（如新渠道涌入），评分卡效果会失真。 |
调优要点：在A/B测试框架下，评分卡适合作为“对照组”的基准策略。实验组可尝试引入机器学习模型，但必须通过校准（Calibration）将模型输出对齐到评分卡的概率尺度，确保实验可比性。
2.3 决策树：可解释的非线性决策
决策树通过树形结构对特征空间进行递归划分，天然支持非线性关系与特征交互。在风控中常用于反欺诈规则挖掘与额度策略分层。
核心优势
- 可视化强：决策路径清晰，业务人员可直接理解“为什么拒绝”。
- 自动交互：无需手动构造交叉特征，树结构自动捕捉高阶组合。
- 变量筛选：根节点与近根节点自动识别最重要特征。
局限性分析
| 维度 | 具体表现 | 对A/B测试的影响 |
|---|---|---|
| 过拟合风险 | 深度较大的树容易学习噪声，泛化能力差。 | 实验组若使用未剪枝的决策树，在测试集上表现好，但上线后效果可能大幅衰减，导致A/B测试结论不可靠。 |
| 不稳定性 | 数据微小变化（如少量样本增减）可能导致树结构剧变。 | 实验组与对照组若分别训练决策树，结构差异大，无法归因于策略变化。 |
| 分段常数 | 每个叶子节点输出常数（如“拒绝”或“通过”），缺乏概率粒度。 | 无法像评分卡那样输出连续分数，难以设置精细的通过率阈值。 |
避坑指南：决策树在风控中更适合做“规则发现”而非“最终决策模型”。建议将决策树挖掘出的高置信度规则（如“年龄<25且收入>5万且申请次数>10次”）固化到规则引擎中，而不是直接作为A/B实验的决策主体。
2.4 三种工具对比与A/B测试适配性
| 维度 | 规则引擎 | 评分卡 | 决策树 |
|---|---|---|---|
| 决策粒度 | 二值（通过/拒绝） | 连续分数 | 分段常数 |
| 可解释性 | 极高 | 高 | 中高 |
| 非线性能力 | 无 | 弱（需手动特征工程） | 强 |
| 动态更新成本 | 低（改阈值即可） | 高（需重分箱、重训练） | 中（需剪枝、调参） |
| A/B测试兼容性 | 中等（规则冲突难控制） | 高（分数阈值可连续调优） | 低（结构不稳定，难归因） |
2.5 本章小结：从工具到策略调优的思维转换
规则引擎、评分卡与决策树各有其不可替代的价值，但也存在与A/B测试框架不兼容的“硬伤”。在后续章节中，我们将围绕以下核心原则展开：
- 可比较性：实验组与对照组的决策逻辑必须能在同一尺度上度量。
- 可调优性：策略参数（如分数阈值、规则边界）应支持连续微调，而非“0/1”跳变。
- 可归因性：策略变化带来的效果差异必须能清晰归因，避免模型结构不稳定导致的混淆。
核心观点：风控策略调优的本质不是“选择最好的模型”，而是“在A/B测试框架下，找到当前客群与业务目标最匹配的决策边界”。规则引擎、评分卡、决策树都是实现这一目标的工具，而非目标本身。