批次偏移基础概念：定义、触发原因与影响链路

在贷款决策系统中，批次偏移（Batch Drift） 是指模型在批量评分或决策时，因输入数据分布、特征关系或目标分布发生系统性变化，导致模型输出与真实环境产生偏差的现象。与实时单笔交易不同，贷款决策通常以日/周/月为批次运行，偏移一旦发生，会直接影响整批申请人的授信结果。

2.1 批次偏移的定义

批次偏移可形式化描述为：在时间窗口 t 与 t+1 之间，模型训练时的联合分布 P(X, Y) 与当前批次评分时的联合分布 P'(X, Y) 出现统计差异。这种差异可能来自特征分布（协变量偏移）、标签分布（先验偏移）或特征-标签关系（概念偏移）。

2.2 常见触发原因

批次偏移的触发原因可归纳为三大类：数据延迟、模型更新 和 外部事件。以下逐一拆解其作用机制与典型表现。

2.2.1 数据延迟

数据延迟指特征变量在生成、传输、清洗或入库环节出现时间滞后，导致模型评分时使用的数据与真实状态不一致。在贷款决策中，数据延迟是最隐蔽且最频繁的偏移来源。

• 上游数据源延迟： 征信报告 T+1 更新、银行流水 T+2 同步，模型在 T 日评分时仍使用旧数据。
• 特征工程延迟： 衍生指标（如近 3 个月平均负债率）因底层明细未到齐而使用部分窗口数据。
• 标签反馈延迟： 逾期标签通常需要 30-90 天才能确认，导致模型监控时使用的「真实标签」严重滞后。

2.2.2 模型更新

模型更新本身是修复偏移的手段，但不当的更新操作反而会成为新的偏移源。常见场景包括：

• 版本切换偏移： 新模型上线后，旧模型评分与新模型评分在同一批次中混用（灰度期间），导致批次内评分分布出现双峰。
• 特征逻辑变更： 特征衍生规则调整（如从「近 6 个月逾期次数」改为「近 12 个月逾期次数」），新旧特征分布不可比。
• 校准曲线漂移： 模型重新校准后，概率输出整体偏移，但排序能力未变，导致拒绝率突变。

2.2.3 外部事件

外部事件是模型无法控制的宏观或行业冲击，通常导致概念偏移或先验偏移。这类偏移往往在短时间内造成剧烈影响。

• 政策法规变化： 利率上限调整、客群准入标准修改，直接改变标签定义或特征含义。
• 宏观经济冲击： 失业率骤升、GDP 增速放缓，导致全量客群还款能力系统性下降。
• 行业黑天鹅： 某行业（如教培、房地产）突发监管风暴，该行业客群的风险特征完全失效。

2.3 批次偏移的影响链路

下图展示了批次偏移从触发到最终决策偏差的完整传导路径。理解这条链路，有助于在后续章节中定位回退决策的介入时机。

2.4 偏移触发频率与影响程度对比

不同触发原因在贷款场景中的发生频率和影响程度差异显著。下表可帮助团队在资源有限时优先关注高优先级偏移源。