2. 批次偏移定义：概念、成因

在额度模型的生命周期中，批次偏移（Batch Shift） 是最常见且最具破坏力的模型衰退形式之一。它指的是模型在训练时使用的样本分布（开发样本）与上线后实际接收的样本分布（线上样本）之间，因时间推移而产生的系统性差异。这种差异一旦超过模型容忍范围，就会导致预测概率失真、额度分配失衡，最终引发坏账率上升或通过率骤降。

2.1 批次偏移的核心概念

批次偏移的本质是 P(X,Y) 的联合分布变化。在风控额度模型中，我们通常关注以下三种分布变化：

2.2 批次偏移的三大成因

批次偏移并非随机发生，而是由明确的业务或技术变动驱动。在额度模型场景中，以下三大成因最为关键：

2.2.1 客群变化

客群变化是批次偏移最自然的来源。随着产品运营策略、市场环境或获客渠道的调整，申请用户的画像会发生漂移。

• 渠道切换： 从线下门店获客转为线上广告投放，客群年龄、收入、职业结构显著不同。
• 产品迭代： 额度上限从 5 万提升至 20 万，吸引更高风险偏好的用户。
• 季节性波动： 双十一、春节等节点，消费型用户集中涌入，短期特征分布偏移。
• 竞争环境： 竞品收紧风控，其拒绝客群流入本产品，导致样本分布恶化。

2.2.2 政策调整

政策调整是导致 概念偏移 的最常见原因。当监管规则、内部风控策略或授信逻辑发生变化时，特征与违约之间的稳定关系被打破。

• 监管红线： 监管要求年化利率不得超过 24%，导致高定价覆盖高风险的策略失效，部分客群违约率突变。
• 催收策略变更： 催收力度加强或减弱，直接影响逾期回收率，改变 Y 标签的定义边界。
• 额度策略联动： 初始额度计算公式调整，导致不同额度段的客群结构发生连锁变化。

2.2.3 数据源变更

数据源变更是最隐蔽但影响最直接的偏移成因。特征数据的含义、质量或覆盖度一旦变化，模型输入分布必然偏移。

• 三方数据替换： 从 A 征信机构切换为 B 征信机构，同一特征（如“多头借贷数”）的分布和缺失率完全不同。
• 埋点升级： App 行为埋点从版本 1.0 升级到 2.0，某些字段的计算口径发生变化。
• 数据缺失模式： 新渠道用户授权意愿低，导致大量特征缺失，缺失模式本身成为偏移信号。

2.3 批次偏移的量化指标

在实际诊断中，我们使用以下指标量化批次偏移的程度：