3. 尖峰告警场景：贷后场景中哪些指标容易产生尖峰告警

在贷后监控体系中，并非所有指标都适合用“均值漂移”或“趋势性变化”来检测。有一类指标天然具有“脉冲式”特征——它们在大部分时间保持平稳或低水平，但在特定事件（如还款日、催收批量作业、数据源异常）触发下，会在极短时间内出现剧烈跳变，随后迅速回落。这类行为被称为“尖峰”，对应的告警策略必须与趋势型指标区分开来。

3.1 尖峰指标的三大特征

要识别哪些指标容易产生尖峰告警，首先需要理解尖峰行为的数学特征。与平稳序列或趋势序列不同，尖峰序列通常满足以下条件：

3.2 贷后场景中易产生尖峰告警的核心指标

根据实际业务经验，以下四类指标在贷后场景中最容易产生尖峰告警。每一类都对应不同的业务触发机制和监控策略。

3.2.1 逾期率类指标

• 日逾期率（DPD30+ / DPD60+）：受还款日集中到期、批量代扣失败、节假日顺延等因素影响，容易出现单日跳升。
• 首期逾期率：新发放贷款的首次还款日，若系统扣款异常或客户未绑卡，首逾率可能从0%突增至5%~10%。
• 迁徙率（M0→M1, M1→M2）：催收策略调整或催收系统故障时，迁徙率会在1~2天内出现尖峰。

3.2.2 催收成功率类指标

• 日催收联系率：受外呼线路波动、号码库更新、节假日影响，联系率可能从40%骤降至10%或反向突增。
• 日催收承诺还款率：催收员批量作业或话术模板切换时，承诺率可能出现单日异常高值或低值。
• 日催回率（PTP兑现率）：客户集中还款日（如发薪日）前后，催回率可能出现尖峰，但若系统重复扣款则可能产生虚假高值。

3.2.3 还款率类指标

• 日还款率（还款金额 / 应还金额）：代扣通道故障恢复后，积压的还款集中到账，还款率可能超过100%。
• 提前还款率：产品促销或客户集中结清时，提前还款率可能从2%跳升至15%以上。
• 还款渠道分布率：某渠道（如微信、支付宝）临时下线或恢复时，渠道占比会出现尖峰。

3.2.4 数据质量与操作类指标

• 数据缺失率：上游数仓延迟或接口超时，导致某字段缺失率从0%突增至80%。
• 重复进件率：反欺诈系统降级或批量重跑时，重复进件率可能出现尖峰。
• 人工干预率：风控规则临时关闭或审批通道切换，人工干预率可能瞬间升高。

3.3 尖峰告警指标的业务分类矩阵

为了帮助团队快速定位尖峰来源，建议将上述指标按“业务域”和“尖峰触发类型”两个维度进行归类。以下矩阵可作为监控看板的初始配置参考：

3.4 尖峰告警指标的识别流程

在实际搭建监控系统时，可以通过以下步骤快速筛选出需要配置尖峰告警的指标：

1. 获取历史数据：至少取过去90天的日粒度指标序列。
2. 计算偏度与峰度：偏度 > 2 且峰度 > 5 的指标优先标记为“尖峰候选”。
3. 标注已知事件：将还款日、催收批量作业、系统发布等事件时间点与尖峰时间点对齐。
4. 判断自回归性：计算滞后1阶自相关系数，若 |r| < 0.3，则确认该指标以尖峰行为为主。
5. 纳入尖峰监控池：为每个指标配置独立的尖峰检测规则（如Z-score + 滑动窗口）。

# 尖峰候选指标筛选示例（Python伪代码）
import pandas as pd
import numpy as np

def identify_spike_candidates(df, value_col='value', date_col='date'):
    """
    根据偏度、峰度和自相关系数筛选尖峰候选指标
    """
    results = []
    for metric in df['metric'].unique():
        sub = df[df['metric'] == metric][value_col].dropna()
        if len(sub) < 30:
            continue
        skew = sub.skew()
        kurt = sub.kurtosis()
        lag1_corr = sub.autocorr(lag=1)
        results.append({
            'metric': metric,
            'skewness': round(skew, 3),
            'kurtosis': round(kurt, 3),
            'lag1_autocorr': round(lag1_corr, 3),
            'is_spike_candidate': (skew > 2) and (kurt > 5) and (abs(lag1_corr) < 0.3)
        })
    return pd.DataFrame(results).sort_values('skewness', ascending=False)

3.5 尖峰告警指标的关系图谱

下图展示了贷后场景中四类尖峰指标之间的典型传导关系。理解这种关系有助于在告警发生时快速定位根因，避免被孤立尖峰误导。

3.6 尖峰告警与趋势告警的对比

在配置监控规则前，必须明确区分尖峰告警和趋势告警。两者在检测方法、响应动作和业务意义上完全不同。下表总结了关键差异：

3.7 小结：尖峰告警指标的选取原则

在贷后场景中，判断一个指标是否应该纳入尖峰告警范围，可以遵循以下三条原则：

• 原则一：业务可解释性——该指标的尖峰是否总能对应到已知事件（还款日、系统发布、催收批量作业）？如果是，则适合尖峰告警；如果尖峰原因不明，则优先排查数据质量。
• 原则二：自恢复性——尖峰出现后，指标是否在1~3天内自然回归基线？如果是，则无需触发模型干预；如果持续偏离，则可能已转化为趋势漂移。
• 原则三：监控成本——尖峰告警的误报率是否可控？对于高频尖峰指标（如每小时催收联系率），建议先聚合到日粒度再检测，避免告警疲劳。