1. MRM 模型漂移概述
1.1 什么是模型漂移
模型漂移（Model Drift）是指已上线机器学习模型的预测性能随时间推移而持续下降的现象。在 MRM（Model Risk Management）框架下，漂移是模型失效的核心风险信号，直接触发监控告警与复盘流程。
漂移的本质是模型训练时假设的“数据分布与业务关系不变”这一前提被打破。一旦部署环境与训练环境产生偏差，模型输出的准确率、召回率或 AUC 等指标就会劣化。
关键认知： 漂移不是模型代码或参数的错误，而是模型与外部环境之间“适配性”的衰减。监控漂移就是监控这种适配性的健康度。
1.2 漂移的三种类型
根据漂移发生的来源，MRM 实践中将其分为三类：数据漂移、概念漂移、模型退化。下表从定义、成因、检测指标三个维度进行对比：
| 类型 | 定义 | 典型成因 | 常用检测指标 |
|---|---|---|---|
| 数据漂移 （Data Drift） |
模型输入特征 X 的分布发生变化，但 P(Y|X) 不变 | 数据源变更、采集设备升级、用户群体结构变化 | PSI、KS、特征均值/方差偏移 |
| 概念漂移 （Concept Drift） |
输入特征 X 与目标 Y 之间的映射关系发生变化 | 市场政策调整、用户行为习惯改变、季节性规律失效 | 模型误差率上升、残差分布偏移 |
| 模型退化 （Model Degradation） |
模型自身因版本、依赖或数据污染导致输出质量下降 | 特征工程代码 bug、依赖库升级不兼容、训练数据泄露 | 推理耗时异常、输出 NaN、特征缺失率突变 |
实践提示： 三类漂移往往并发出现。例如，数据漂移会放大概念漂移的检测难度，而模型退化可能被误判为概念漂移。MRM 复盘的第一步就是准确区分漂移类型。
1.3 漂移对业务的影响
漂移的后果从轻到重可分为四个层级，直接影响业务决策的可靠性：
- 预测偏差扩大： 模型输出与真实值之间的误差持续增大，导致风控评分、推荐排序、定价策略偏离预期。
- 决策质量下降： 基于模型输出的自动化决策（如贷款审批、广告投放）出现系统性误判，业务 KPI 恶化。
- 合规与审计风险： 在金融、医疗等强监管行业，模型漂移可能导致违反模型验证要求，面临监管处罚。
- 业务损失与声誉受损： 长期未发现的漂移会造成直接经济损失（如坏账率飙升）和用户信任度下降。
⚠ 风险警示： 某头部消费金融公司曾因未及时检测到概念漂移，导致信用评分模型在 3 个月内 AUC 从 0.82 降至 0.61，坏账率上升 2.3 倍。MRM 监控的缺失直接转化为数千万的坏账损失。
1.4 漂移类型关系图
下图展示了三类漂移在 MRM 监控体系中的位置与关联：
1.5 漂移检测流程概览
MRM 标准流程中，漂移监控按以下步骤执行，每个环节对应不同的检测手段：
- 数据采集与特征提取： 获取线上实时推理数据与训练基线数据，对齐特征 schema。
- 分布对比计算： 对每个特征计算 PSI（Population Stability Index）或 KS 统计量，判断数据漂移程度。
- 模型误差分析： 对比模型预测值与真实标签的残差分布，检测概念漂移。
- 模型健康检查： 检查推理日志中的异常输出、特征缺失率、推理耗时，识别模型退化。
- 告警分级与复盘触发： 根据漂移严重程度（轻度/中度/严重）触发不同级别的 MRM 复盘流程。
最佳实践： 建议在模型上线首周建立基线分布快照，并设置 PSI > 0.1 为轻度告警、PSI > 0.25 为严重告警。同时结合业务指标（如转化率、坏账率）做联合判断，避免误报。