1. 课程导论：贷后告警延迟场景的定义、PSI监控的核心价值、课程目标与学习路径
1.1 贷后告警延迟场景的定义
在信贷风控体系中，贷后监控是识别借款人信用状况恶化、提前预警风险的关键环节。然而，实际业务中普遍存在告警延迟现象——即从风险事件发生到系统产生有效告警之间存在明显的时间差。这种延迟直接削弱了风控措施的时效性，导致资产质量加速下滑。
贷后告警延迟通常表现为以下三类典型场景：
| 延迟类型 | 定义 | 典型表现 |
|---|---|---|
| 数据采集延迟 | 外部数据源（征信、多头、工商）更新滞后于实际风险变化 | 借款人已逾期3天，征信报告仍显示正常 |
| 规则计算延迟 | 风控规则引擎因调度周期或性能瓶颈未能及时触发 | 日批跑批规则在T+1日才输出告警 |
| 特征漂移延迟 | 模型输入特征分布发生偏移，但监控系统未及时感知 | PSI连续两周超阈值，告警在第15天才发出 |
核心痛点：告警延迟每增加1天，贷后催回率平均下降3%-5%，不良贷款生成率上升0.8-1.2个百分点。延迟场景的量化监控已成为贷后风控体系建设的刚性需求。
1.2 PSI监控的核心价值
群体稳定性指标（Population Stability Index, PSI）是衡量模型输入特征或评分分布随时间偏移程度的标准化度量。在贷后告警延迟场景中，PSI监控的价值体现在三个层面：
- 量化延迟程度：通过对比实时分布与基准分布，PSI值可精确反映特征漂移的累积速度，间接量化告警系统的响应滞后。
- 定位延迟环节：对数据源、规则引擎、模型输出分别计算PSI，可快速定位延迟发生的具体环节，避免盲目排查。
- 建立预警基线：基于历史PSI分布设定动态阈值，实现从“事后告警”到“事前预警”的升级，压缩延迟窗口。
PSI计算公式： PSI = Σ (实际占比_i - 预期占比_i) × ln(实际占比_i / 预期占比_i)。当PSI > 0.25时，通常认为特征分布发生显著偏移，需触发告警。
1.3 课程目标与学习路径
本课程旨在帮助风控数据与模型监控人员系统掌握基于PSI的贷后告警延迟监控方法，从理论到实战构建完整的监控体系。课程目标分为三个层级：
| 层级 | 目标 | 对应章节 |
|---|---|---|
| 认知层 | 理解PSI原理、延迟场景分类与监控指标体系 | 第1-4章 |
| 方法层 | 掌握PSI计算、阈值设定、延迟归因分析方法 | 第5-15章 |
| 实战层 | 搭建PSI监控看板、自动化告警管道与复盘机制 | 第16-28章 |
课程学习路径遵循“理论→方法→实战”的递进结构，建议按以下节奏推进：
- 基础夯实（第1-4章）：掌握PSI数学定义、延迟场景分类、数据采集规范，完成环境搭建。
- 核心方法（第5-15章）：深入学习PSI计算代码实现、动态阈值算法、多环节延迟归因分析，配合案例练习。
- 实战落地（第16-28章）：基于真实业务数据搭建PSI监控看板，配置自动化告警管道，完成复盘报告。
- 总结与扩展（第29-30章）：课程回顾、常见问题FAQ、PSI监控在贷前/贷中场景的扩展应用。
学习前提：建议学员具备基础的Python编程能力（pandas、numpy）和风控模型基础知识。每章均提供代码示例与数据集，建议边学边练。