4. PSI漂移根因分析流程

当PSI告警触发后，不能直接进入模型迭代或回退操作。必须按照标准化的根因分析流程，逐层定位漂移来源，判断是数据质量问题、特征分布变化、业务策略调整还是外部环境变化所致。本节将流程拆解为五个核心步骤。

4.1 流程总览

PSI漂移根因分析采用“漏斗式”排查策略：从告警信号出发，先排除数据层异常，再聚焦特征层，最后落到业务层和影响评估。每一步都设置明确的判定标准和输出物。

4.2 步骤一：告警接收与分级

PSI告警并非所有都需要立即响应。根据漂移严重程度和影响范围，将告警分为三个等级，不同等级对应不同的响应时效和处理流程。

4.3 步骤二：数据校验

数据校验是根因分析的第一道过滤网。大量PSI告警的根因并非真实分布漂移，而是数据管道异常。校验内容覆盖三个维度：

• 数据完整性： 检查特征缺失率是否突增、记录数是否骤降、关键字段是否为空。
• 数据口径一致性： 确认特征计算逻辑、衍生规则、编码映射是否在对比窗口内发生过变更。
• 数据时效性： 验证当前批次数据是否包含完整的时间窗口，是否存在数据延迟或截断。

4.4 步骤三：特征级PSI分解

通过数据校验后，进入特征级PSI分解。这一步的目标是找出导致整体PSI漂移的主导特征。常用的分解方法有两种：

4.4.1 单特征PSI贡献度

计算每个特征在整体PSI中的贡献占比，按贡献度从高到低排序。通常前3个特征的累计贡献度会超过80%。

4.4.2 组合特征交互分析

当单特征PSI贡献度分散、无明显主导特征时，需要检查特征之间的交互效应。例如：收入等级和负债率单独看PSI不高，但两者联合分布出现明显偏移。

# 组合特征PSI计算示例（Python伪代码）
def compute_joint_psi(df_ref, df_cur, features, bins=10):
    # 对两个特征进行联合分箱
    df_ref['joint_bin'] = pd.cut(df_ref[features[0]], bins=bins).astype(str) + '_' + \
                          pd.cut(df_ref[features[1]], bins=bins).astype(str)
    df_cur['joint_bin'] = pd.cut(df_cur[features[0]], bins=bins).astype(str) + '_' + \
                          pd.cut(df_cur[features[1]], bins=bins).astype(str)
    
    # 计算联合分布PSI
    ref_dist = df_ref['joint_bin'].value_counts(normalize=True).sort_index()
    cur_dist = df_cur['joint_bin'].value_counts(normalize=True).sort_index()
    
    psi = 0
    for bin_label in ref_dist.index:
        p = ref_dist[bin_label]
        q = cur_dist.get(bin_label, 0.0001)
        psi += (p - q) * np.log(p / q)
    return psi

4.5 步骤四：业务归因

特征级PSI分解定位到具体特征后，需要与业务团队协作，追溯特征分布变化的业务原因。常见的业务归因方向包括：

• 客群结构变化： 渠道投放策略调整、获客地域偏移、季节性客群波动。
• 产品策略调整： 额度审批规则变更、利率定价策略调整、产品准入标准放宽/收紧。
• 外部环境变化： 监管政策出台、宏观经济波动、行业竞争格局变化。
• 数据源变更： 第三方数据供应商切换、数据采集字段调整、数据清洗逻辑更新。

4.6 步骤五：影响评估

根因分析的最后一步是评估漂移对模型实际业务效果的影响。不能仅凭PSI值判断模型是否需要迭代，必须结合模型性能指标和业务指标综合决策。