📚 课程目录第3章漂移告警业务场景

3. 漂移告警业务场景：特征分布漂移、模型分数漂移、客群结构漂移、数据质量漂移

在反洗钱实时监控体系中，模型性能的衰减往往不是突然发生的，而是通过多个维度的“漂移”逐步显现。PSI（Population Stability Index，群体稳定性指标）是量化这种漂移的核心工具。本章将深入剖析四种最常见的漂移业务场景，帮助您理解每种漂移的成因、监控方法及告警阈值设定。

  核心认知： PSI 并非单一维度的指标，而是覆盖“输入数据 → 模型计算 → 输出分数 → 客群分布”全链路的稳定性度量体系。忽略任何一个维度的漂移，都可能导致模型失效而未被及时发现。

3.1 四种漂移场景全景对比

下表从监控对象、典型成因、PSI 计算方式及业务影响四个维度，对四种漂移场景进行横向对比，便于您快速建立全局认知。

漂移类型	监控对象	典型成因	PSI 计算方式	业务影响
特征分布漂移	单个入模特征（如交易金额、频率）	业务政策调整、外部经济环境变化、数据源变更	特征分箱后，计算当前分布 vs 建模基准分布	模型输入失真，预测逻辑基础被破坏
模型分数漂移	模型输出的风险评分	特征漂移累积、模型过时、客群行为模式迁移	分数分箱后，计算当前分数分布 vs 建模基准分布	风险排序能力下降，误报/漏报率升高
客群结构漂移	客群分类标签（如客户等级、行业）	新客群涌入、存量客群流失、市场细分变化	客群类别分箱后，计算当前占比 vs 历史基准占比	模型适用性偏移，部分客群预测失效
数据质量漂移	缺失率、异常值率、格式合规率	上游系统故障、采集规则变更、数据接口升级	质量指标分箱后，计算当前质量分布 vs 基准分布	模型可用性下降，严重时导致推理失败

3.2 场景一：特征分布漂移

特征分布漂移是最基础、最前置的漂移类型。当单个入模特征的统计分布发生显著变化时，模型赖以决策的“经验”将不再可靠。

监控粒度： 每个入模特征独立监控，重点关注高权重特征。
分箱策略： 连续型特征使用等距分箱或等频分箱（建议 10~20 箱）；离散型特征按类别直接分箱。
告警阈值： 单特征 PSI > 0.1 触发黄色预警；PSI > 0.25 触发红色告警。
典型案例： 某支付机构调整单笔交易限额后，“交易金额”特征的分布整体右移，PSI 从 0.03 飙升至 0.35，导致模型对大额交易的异常识别能力下降 40%。

最佳实践： 建议对每个特征绘制“基准分布 vs 当前分布”的对比直方图，并叠加 PSI 数值。当 PSI 超过阈值时，看板应自动高亮该特征，并提示可能的原因（如“特征均值偏移 2 个标准差”）。

3.3 场景二：模型分数漂移

模型分数漂移是特征漂移的“最终体现”，直接反映模型输出层的稳定性。分数漂移通常意味着模型整体的预测逻辑已经发生偏移。

监控粒度： 模型输出的风险概率或评分卡分数。
分箱策略： 按分数区间等距分箱（如每 10 分一箱），或按风险等级（低/中/高）分箱。
告警阈值： 分数 PSI > 0.1 需关注；PSI > 0.2 需立即排查。
联动分析： 当分数漂移发生时，应下钻分析是哪些特征的漂移贡献最大。

# 模型分数 PSI 计算示例（Python 伪代码）
def calculate_psi(expected, actual, bins=10):
    # expected: 建模基准分数数组
    # actual: 当前监控周期分数数组
    # 等距分箱
    bin_edges = np.linspace(0, 100, bins + 1)
    expected_perc = np.histogram(expected, bins=bin_edges)[0] / len(expected)
    actual_perc = np.histogram(actual, bins=bin_edges)[0] / len(actual)
    # 避免除零
    expected_perc = np.where(expected_perc == 0, 0.0001, expected_perc)
    actual_perc = np.where(actual_perc == 0, 0.0001, actual_perc)
    # 计算 PSI
    psi = np.sum((actual_perc - expected_perc) * np.log(actual_perc / expected_perc))
    return psi

3.4 场景三：客群结构漂移

客群结构漂移关注的是“谁在使用模型”。即使特征和分数都稳定，如果客群构成发生根本性变化，模型在新增客群上的表现可能远不如预期。

监控粒度： 按客户分层（如高净值/普通/低活跃）、行业分类、地域等维度。
分箱策略： 每个客群类别作为一个分箱，计算当前占比与基准占比的差异。
告警阈值： 客群 PSI > 0.1 提示结构变化；PSI > 0.2 需重新评估模型适用性。
应对措施： 若客群结构漂移严重，应考虑模型分层或重新训练。

常见误区： 很多团队只监控模型分数 PSI，忽略了客群结构漂移。当新客群涌入时，分数 PSI 可能暂时稳定，但模型在新增客群上的 AUC 可能已下降 15% 以上。客群结构漂移是“慢变量”，需要更长的观察窗口（如月度对比）。

3.5 场景四：数据质量漂移

数据质量漂移是“最容易被忽视”的漂移类型。当数据采集、传输或存储环节出现问题时，模型输入的数据质量会下降，导致推理结果不可信。

质量维度	监控指标	PSI 计算方式	典型告警阈值
缺失率	每个特征缺失值占比	缺失率分箱（如 0-1%, 1-5%, >5%）	PSI > 0.15
异常值率	超出 3σ 或 IQR 范围的数据占比	异常率分箱	PSI > 0.2
格式合规率	日期格式、金额格式、编码格式正确率	合规率分箱	PSI > 0.1

3.6 四种漂移的联动关系与监控架构

四种漂移并非孤立存在，而是存在明确的因果传导链。下图展示了从数据源头到模型输出的完整漂移监控架构。

3.7 告警看板设计要点

基于上述四种漂移场景，反洗钱 PSI 漂移告警看板应遵循以下设计原则：

分层展示： 顶层展示四个维度的整体 PSI 状态（正常/关注/告警），下层展示具体特征或客群的 PSI 明细。
趋势优先： 每个维度默认展示最近 30 天的 PSI 趋势折线图，便于识别漂移的起始点和加速趋势。
根因下钻： 点击任意告警项，自动展开该维度下贡献最大的 Top 5 特征或客群类别。
联动分析： 当模型分数漂移告警时，看板应自动关联显示同期特征分布漂移的热力图。
阈值可配： 支持按业务场景调整 PSI 告警阈值，避免频繁误报或漏报。