3、风控指标定义：核心评估指标与辅助指标

在风控 A/B 测试中，指标是衡量策略效果的“标尺”。如果指标定义不清晰、口径不统一，即使实验设计再严谨，结论也可能完全错误。本节将系统定义风控 A/B 测试中的核心评估指标与辅助指标，并强调指标口径统一的重要性。

3.1 核心评估指标

核心指标直接反映风控策略对风险与收益的平衡效果，是判断策略“胜出”或“失败”的关键依据。主要包括以下四类：

3.1.1 通过率与逾期率/坏账率的权衡

在风控 A/B 测试中，不能单独看通过率或逾期率。例如：实验组通过率提升 5%，但逾期率上升 2%，这未必是正向效果。必须结合业务目标（如利润最大化、风险容忍度）综合判断。

3.1.2 FPR 与 TPR 的模型视角

FPR（假正率）和 TPR（真正率）通常用于评估风控模型或规则策略的区分能力。在 A/B 测试中，我们通过对比实验组与对照组的 FPR/TPR 变化，来判断新策略是否在“更准地抓住坏人”的同时，没有“误伤太多好人”。

3.2 辅助评估指标

辅助指标不直接决定策略胜负，但能帮助解释核心指标变化的原因，或评估策略带来的“副作用”。在风控 A/B 测试中，常用的辅助指标包括：

• 客诉率： 因拒绝或额度调整等原因产生的客户投诉数量占申请总量的比例。客诉率上升可能意味着策略过于激进，伤害了优质客户体验。
• 人工审核成本： 因策略调整导致需要人工介入审核的订单比例变化，以及对应的人力成本变化。例如，新策略虽然降低了逾期率，但大幅增加了人工审核量，导致总成本上升。

3.3 指标口径统一

指标口径不统一是风控 A/B 测试中最常见的“坑”之一。同一个指标，不同团队、不同系统可能采用不同的计算口径，导致对比结果无效。以下是必须统一的关键口径要素：

3.3.1 口径统一检查清单

在每次 A/B 测试上线前，建议对照以下清单进行口径检查：

1. 时间窗口对齐： 实验组和对照组的观察期是否完全一致？
2. 分母一致性： 两个组的通过客户定义是否相同（如是否包含内部白名单）？
3. 数据源一致性： 指标数据是否来自同一张宽表或同一个数据仓库？
4. 异常值处理： 是否统一了剔除规则（如测试期间注销的客户）？
5. 计算脚本版本： 实验组和对照组是否使用同一套 SQL 或 Python 计算脚本？