📚 课程目录第1章批次偏移概述

1. 批次偏移概述

批次偏移（Batch Drift）是指在授信决策引擎的批量处理或评分过程中，由于数据分布、特征计算逻辑、模型输出或外部环境在批次间发生系统性变化，导致同一客群在不同时间窗口或不同批次中获得的授信评分、额度建议或风险等级出现非预期、非业务逻辑驱动的差异。

这种偏移通常不是由模型参数更新或策略调整引起的，而是隐藏在数据管道、特征工程、评分卡执行或决策流编排的“缝隙”中。风控团队往往在监控报表上看到“通过率突然跳变”或“坏账率异常波动”时，才意识到批次偏移已经发生。

  核心定义：批次偏移 = 同一模型 + 同一策略 + 同一客群 → 不同批次 → 输出结果系统性不一致。

在风控体系中，数据分布变化通常被归为三类：概念漂移、数据漂移和批次偏移。三者容易混淆，但成因、影响范围和诊断方式截然不同。下表从多个维度进行对比：

对比维度	概念漂移（Concept Drift）	数据漂移（Data Drift）	批次偏移（Batch Drift）
定义	输入与目标变量之间的映射关系发生变化	输入特征本身的分布发生变化	同一模型/策略在不同批次执行时输出不一致
典型成因	用户还款意愿改变、欺诈模式进化、宏观经济周期	客群结构变化、数据源切换、特征缺失率上升	特征计算逻辑错误、数据管道延迟、评分卡版本未对齐、缓存污染
影响范围	模型预测能力下降，AUC/KS 持续衰减	特征统计量偏移，PSI 升高	同一客群在不同批次评分不一致，决策结果跳变
诊断方法	PSI、CSI、模型性能监控	特征分布对比、KS 检验、PSI	批次间评分分布对比、决策结果一致性校验、特征值快照比对
修复难度	高（需重新训练或调整模型）	中（需修正数据管道或特征工程）	低到中（定位具体环节后修复较快）
隐蔽性	中（通常有监控指标）	中（PSI 可捕捉）	高（常被误认为业务波动）

记忆口诀：概念漂移是“关系变了”，数据漂移是“输入变了”，批次偏移是“执行错了”。批次偏移最容易被忽视，因为它不改变模型本身，也不改变数据源，而是改变“模型怎么用数据”。

批次偏移并非理论概念，在真实生产环境中频繁出现。以下是三个最常见的场景：

场景一：特征计算时间窗口错位
某批次因上游数据延迟，特征“近30天逾期次数”实际只计算了最近15天的数据，导致该批次评分整体偏高，通过率从45%跳升至62%。
场景二：评分卡版本未同步
线上决策引擎灰度发布时，部分节点仍使用旧版评分卡，部分节点使用新版，同一用户在不同批次中评分相差50分以上。
场景三：缓存污染导致特征复用
某批次因缓存未及时清理，部分用户复用了上一批次的中间特征值，导致授信额度计算错误，单批次损失预估超200万元。

批次偏移之所以被称为“最隐蔽的风险”，主要基于以下四个原因：

表象迷惑性强：批次偏移导致的指标波动（如通过率上升、逾期率下降）在初期看起来像是“业务变好了”，容易被误读为客群质量提升或策略优化效果，从而延迟问题发现。
传统监控盲区：大多数风控监控体系聚焦于模型性能（AUC/KS）和特征分布（PSI），但批次偏移发生在执行层，这些指标在偏移初期可能完全正常。
偶发性与间歇性：批次偏移往往不是持续发生的，而是与数据管道延迟、版本发布、配置变更等事件偶发关联。当问题被注意到时，触发条件可能已经消失，导致难以复现和定位。
影响范围难以量化：一次批次偏移可能只影响某个时间窗口内的几千笔申请，但造成的坏账损失或机会损失可能高达数百万。由于偏移是“系统性的”，事后很难逐笔追溯。

风险警示：批次偏移是授信决策引擎的“慢性出血点”。一次未被发现的批次偏移，可能在数周内持续侵蚀资产质量，而风控团队却误以为模型表现正常。建立批次偏移的主动诊断机制，是成熟风控体系的必备能力。

下图展示了批次偏移在典型授信决策引擎流水线中的潜在发生位置。偏移可能出现在数据接入、特征计算、评分执行或决策流编排的任意环节。

综合以上分析，批次偏移诊断面临三大核心挑战：