4. 模型漂移的常见类型

在催收触达模型的持续监控中，PSI（群体稳定性指标）是衡量模型分数分布稳定性的核心工具。然而，PSI 的异常波动只是“症状”，其背后的根本原因通常可归为三类漂移：数据漂移、概念漂移和系统漂移。准确区分这三类漂移，是制定有效修复策略的前提。

4.1 数据漂移（特征分布变化）

数据漂移是指模型输入特征的统计分布随时间发生变化，但特征与目标变量之间的真实关系并未改变。这是催收场景中最常见的漂移类型。

• 典型表现： 模型分数分布整体偏移，但模型排序能力（如 KS、AUC）保持稳定。
• 常见原因：
  • 客群结构变化：如新接入的委外案件逾期天数分布与历史不同。
  • 数据源变更：如第三方征信数据接口升级，导致字段取值范围变化。
  • 季节性因素：如年底催收案件量激增，样本构成发生偏移。
• 诊断方法： 计算每个特征的 PSI 或 KS 统计量，识别发生显著变化的特征。

4.2 概念漂移（目标关系变化）

概念漂移是指特征与目标变量（如“是否还款”）之间的潜在关系发生了改变。即使特征分布完全不变，模型的预测能力也会下降。

• 典型表现： 模型分数分布可能稳定，但模型区分能力（KS、AUC）显著下降。
• 常见原因：
  • 催收策略调整：如加大施压力度后，原本“高风险”客群的还款率反而提升。
  • 宏观经济变化：如失业率上升，导致所有客群的还款意愿普遍下降。
  • 法规政策变动：如催收合规要求收紧，改变了催收行为与还款结果的关系。
• 诊断方法： 对比建模样本与当前样本的“特征-目标”局部依赖图（PDP）或分箱坏账率曲线。

4.3 系统漂移（评分卡失效）

系统漂移是指模型本身或评分卡逻辑出现错误，导致分数计算异常。这类漂移通常由技术故障或人为错误引起。

• 典型表现： PSI 剧烈波动，且模型分数出现大量缺失值、异常值或逻辑矛盾（如分数超出理论范围）。
• 常见原因：
  • 评分卡代码部署错误：如变量映射表未更新、权重加载错误。
  • 上游数据管道故障：如特征工程脚本报错，导致部分特征被填充为默认值。
  • 模型版本管理混乱：如线上仍在使用旧版本评分卡。
• 诊断方法： 检查模型分数计算日志、特征缺失率、以及评分卡各节点的分数分布。

4.4 三类漂移对比

4.5 漂移诊断流程

以下 SVG 流程图展示了从 PSI 异常告警到定位漂移类型的标准诊断路径。

4.6 漂移类型与修复策略映射

下表总结了针对不同漂移类型的推荐修复策略及优先级。

4.7 代码示例：PSI 漂移类型初步诊断

以下 Python 代码展示了如何通过计算特征 PSI 和模型 KS 指标，初步判断漂移类型。

import pandas as pd
import numpy as np
from scipy.stats import ks_2samp

def diagnose_drift_type(train_scores, current_scores, train_features, current_features):
    """
    初步诊断漂移类型
    :param train_scores: 建模样本模型分数
    :param current_scores: 当前样本模型分数
    :param train_features: 建模样本特征矩阵
    :param current_features: 当前样本特征矩阵
    :return: 诊断结果字符串
    """
    # 1. 计算模型分数的 KS 统计量（衡量排序能力变化）
    ks_stat, ks_p = ks_2samp(train_scores, current_scores)
    
    # 2. 计算每个特征的 PSI
    feature_psi_list = []
    for col in train_features.columns:
        # 简化计算：使用分箱法
        bins = np.linspace(0, 1, 11)
        train_pct = np.histogram(train_features[col], bins=bins, density=True)[0]
        current_pct = np.histogram(current_features[col], bins=bins, density=True)[0]
        # 避免除零
        train_pct = np.where(train_pct == 0, 1e-6, train_pct)
        current_pct = np.where(current_pct == 0, 1e-6, current_pct)
        psi = np.sum((train_pct - current_pct) * np.log(train_pct / current_pct))
        feature_psi_list.append(psi)
    
    avg_feature_psi = np.mean(feature_psi_list)
    
    # 3. 诊断逻辑
    if ks_p < 0.05 and avg_feature_psi > 0.1:
        return "疑似数据漂移：特征分布显著变化，模型排序能力稳定"
    elif ks_p < 0.05 and avg_feature_psi <= 0.1:
        return "疑似概念漂移：模型排序能力下降，但特征分布稳定"
    elif ks_p >= 0.05 and avg_feature_psi > 0.1:
        return "疑似系统漂移：分数分布异常，需检查评分卡逻辑"
    else:
        return "无显著漂移，PSI 波动可能为正常噪声"

# 示例调用
# result = diagnose_drift_type(train_scores, current_scores, train_features, current_features)
# print(result)