1. 批次偏移概述
什么是贷款决策中的批次偏移
在贷款风控场景中，批次偏移（Batch Drift） 是指模型在生产环境中接收的新一批申请样本与模型训练时所使用的历史样本在特征分布、标签分布或特征-标签关系上发生的统计性偏离。这种偏移通常不是由单一变量突变引起，而是多个维度的联合分布变化。
批次偏移的核心特征包括：
- 时间维度：按日、周、月等业务批次自然聚合
- 分布维度：特征均值/方差、缺失率、分位数、PSI（群体稳定性指标）
- 业务维度：客群结构变化、渠道政策调整、宏观经济波动
关键定义：批次偏移 ≠ 概念漂移。批次偏移关注的是输入分布（P(X)）的变化，而概念漂移关注的是条件分布（P(Y|X)）的变化。两者可能同时发生，但监控手段和阈值策略不同。
为什么需要监控批次偏移
批次偏移监控是风控模型生产运维（Model Ops）的核心环节，直接关系到贷款决策的稳定性、公平性和盈利性。不监控批次偏移，模型会像“蒙眼开车”——看似在运行，实际已偏离轨道。
| 监控维度 | 不监控的风险 | 监控后的收益 |
|---|---|---|
| 风险控制 | 坏账率突然飙升，模型无法识别新客群风险 | 提前发现客群劣化，及时调整审批策略 |
| 业务连续性 | 模型失效导致审批系统中断或误判 | 通过告警触发模型回退或人工审核，保障业务不中断 |
| 合规与公平 | 偏移导致特定群体（如新渠道、新地区）被系统性歧视 | 监控特征分布变化，确保模型决策公平性 |
| 模型生命周期 | 无法判断模型何时需要重训，资源浪费或滞后 | 基于偏移量制定重训触发条件，优化模型迭代节奏 |
实践建议：批次偏移监控应作为贷前、贷中、贷后全流程的标配能力。建议至少监控以下三类指标：① 特征级 PSI（单变量偏移）；② 模型分数分布偏移（KS/PSI）；③ 拒绝推断后的标签偏移（如有）。
批次偏移对风控模型的影响
批次偏移对风控模型的影响是系统性、多层次的，从模型输出到业务决策，再到最终资产质量，形成一条完整的传导链。
影响传导链
- 特征分布偏移 → 模型输入空间改变，模型对特征的权重解释失效
- 模型分数偏移 → 评分卡/机器学习模型的分数分布整体平移或变形
- 决策阈值失效 → 原定的拒绝/通过/人工审核阈值不再对应相同的坏账率
- 业务指标恶化 → 通过率、坏账率、逾期率等关键指标偏离预期
- 模型信任度下降 → 业务方和风控团队对模型输出产生质疑，回归人工决策
量化影响示例
以下是一个真实场景的模拟数据，展示批次偏移对模型性能的量化影响：
| 指标 | 训练集（基线） | 偏移批次（第1周） | 偏移批次（第4周） | 恶化幅度 |
|---|---|---|---|---|
| 特征A均值 | 0.45 | 0.52 | 0.61 | +35.6% |
| 模型分数均值 | 650 | 620 | 580 | -10.8% |
| 通过率 | 45% | 38% | 29% | -35.6% |
| 30+逾期率 | 3.2% | 4.8% | 7.1% | +121.9% |
| KS（区分度） | 0.38 | 0.31 | 0.22 | -42.1% |
⚠️ 常见误区：很多团队只监控模型分数（Score Drift），认为分数没变就代表模型稳定。实际上，特征偏移可能先于分数偏移出现，且分数偏移可能被“抵消”——例如两个特征同时偏移但方向相反，导致分数均值不变，但模型决策逻辑已完全改变。因此，必须同时监控特征级和分数级偏移。
批次偏移的三种典型模式
- 渐变型偏移（Gradual Drift）：特征分布随时间缓慢变化，如客群年龄结构随市场自然演变。阈值可适当放宽，关注长期趋势。
- 突变型偏移（Sudden Drift）：因政策调整、渠道上线、黑产攻击等导致分布瞬间跳变。阈值需收紧，快速响应。
- 周期性偏移（Seasonal Drift）：如节假日、发薪日、季度末等规律性波动。阈值应区分季节性波动与异常偏移。