3. 稳定性概念基础：模型稳定性、数据稳定性、业务稳定性的定义与区别
在实时风控巡检体系中，稳定性是衡量系统是否健康运行的核心指标。然而，稳定性并非单一概念，它至少包含三个层次：模型稳定性、数据稳定性和业务稳定性。三者相互关联，但定义、监控对象和失效影响截然不同。混淆这三者，是导致风控策略误判和监控告警失灵的常见原因。
3.1 三大稳定性的定义
| 稳定性类型 | 定义 | 监控对象 | 典型失效表现 |
|---|---|---|---|
| 模型稳定性 | 模型在时间推移中，对相同或相似样本的输出分布保持一致的特性。即模型评分（Score/Probability）的分布不发生显著偏移。 | 模型输出分数、概率值、决策阈值 | PSI > 0.25；模型拒绝率突然升高或降低；AUC 大幅波动 |
| 数据稳定性 | 模型输入特征的统计分布（均值、方差、缺失率、枚举值占比等）在时间维度上保持相对稳定的特性。 | 特征字段、衍生变量、数据源质量 | 特征缺失率飙升；字段取值范围突变；数据延迟到达 |
| 业务稳定性 | 风控系统所服务的业务指标（如逾期率、通过率、授信额度使用率）在合理区间内波动的特性，不出现异常陡增或陡降。 | 业务 KPI、转化漏斗、风险指标 | 逾期率日环比翻倍；通过率骤降 20%；客诉量异常增长 |
关键认知：模型稳定性关注“模型输出是否变了”，数据稳定性关注“输入给模型的数据是否变了”，业务稳定性关注“最终业务结果是否变了”。三者是因果链条上的不同环节。
3.2 三者之间的关联与传导路径
三大稳定性并非孤立存在，而是形成一条典型的传导链：
- 数据稳定性 → 模型稳定性：当输入特征分布发生偏移（数据不稳定），模型在未见过的数据分布上表现会退化，直接导致模型输出分布偏移（模型不稳定）。这是最常见的传导路径。
- 模型稳定性 → 业务稳定性：模型评分分布偏移后，风控决策（通过/拒绝/人工）的分布随之改变，最终传导至业务指标（如通过率、逾期率），造成业务不稳定。
- 业务稳定性 → 数据稳定性（反向反馈）：业务策略调整（如收紧授信）会改变客群结构，进而影响后续流入数据的特征分布，形成反向传导。
3.3 三者的核心区别
在实际巡检工作中，区分三者是制定监控策略的前提。以下从四个维度进行对比：
| 对比维度 | 模型稳定性 | 数据稳定性 | 业务稳定性 |
|---|---|---|---|
| 监控指标 | PSI、CSI、KS 偏移量 | 特征均值/方差、缺失率、IV 变化 | 逾期率、通过率、转化率、客诉率 |
| 告警阈值 | PSI > 0.1（注意）/ > 0.25（严重） | 缺失率增幅 > 5%；均值偏移 > 3σ | 日环比波动 > 20%；周同比 > 30% |
| 根因定位 | 模型退化、特征分布偏移、概念漂移 | 数据源故障、ETL 变更、埋点错误 | 策略调整、市场环境变化、运营活动 |
| 修复手段 | 模型重训、阈值调整、模型回滚 | 修复数据管道、清洗异常数据 | 策略复盘、调整授信规则、人工干预 |
实践建议：在搭建实时风控巡检看板时，建议将三个稳定性的监控指标放在同一时间轴视图下。当业务稳定性出现告警时，可以快速回溯模型稳定性和数据稳定性指标，形成“根因定位三角”，避免盲目调整策略。
3.4 三者关联的典型场景示例
以消费信贷风控场景为例，说明三者如何联动：
- 场景：某平台在双十一大促期间，通过率突然从 65% 下降至 40%（业务不稳定）。
- 排查第一步：检查模型稳定性 → 发现模型评分分布整体左移，PSI 达到 0.35（模型不稳定）。
- 排查第二步：检查数据稳定性 → 发现“近 30 天消费金额”特征均值从 8,500 元骤降至 3,200 元，缺失率从 2% 升至 18%（数据不稳定）。
- 根因：数据源接口在大促期间升级，导致部分用户消费数据未成功上报，特征值被默认填充为 0。
- 修复：回滚数据接口版本，并补传缺失数据。模型和业务指标在 2 小时后恢复正常。
常见误区：很多团队只监控业务稳定性（如逾期率），当指标异常时直接调整风控策略，却忽略了检查模型和数据稳定性。这种做法可能导致“治标不治本”，甚至因误判而引入新的风险。正确的做法是：业务告警 → 模型稳定性排查 → 数据稳定性排查 → 根因定位 → 针对性修复。