4、延迟尖峰的分类：按时间维度（日/周/月）、按业务维度（险种/渠道/区域）

在设定赔付率延迟尖峰的告警阈值之前，必须对尖峰进行系统分类。不同维度的尖峰具有不同的统计特征、成因和告警敏感度，盲目使用统一阈值会导致大量误报或漏报。本章从时间维度和业务维度两个正交方向，建立延迟尖峰的分类体系。

4.1 时间维度分类：日/周/月

时间维度是延迟尖峰最直观的分类方式。不同时间粒度的尖峰反映了不同层级的系统或业务异常：

4.2 业务维度分类：险种/渠道/区域

业务维度分类是延迟尖峰告警阈值设定的核心。同一时间窗口内，不同业务线的赔付率延迟特征差异巨大，必须按业务维度独立建模。

4.2.1 按险种分类

• 车险（高频低损）：出险频率高，赔付数据流密集，延迟尖峰通常由查勘定损系统或配件报价接口抖动引起。阈值应设定在P95附近，敏感度较高。
• 健康险（中频中损）：涉及医院结算、医保对接，延迟尖峰多来自外部数据交换（如医院HIS系统延迟）。阈值需考虑外部依赖的SLA。
• 意外险/寿险（低频高损）：单笔赔付金额大，数据量小，延迟尖峰通常由人工审核环节或再保系统造成。阈值可适当放宽，但需设置“单笔超时”硬告警。

4.2.2 按渠道分类

• 直销/官网：内部系统链路短，延迟可控，阈值可设定在较低水平（如P90）。
• 中介/经纪：数据需经过第三方系统转换，延迟波动大，阈值应使用动态基线。
• 银保/兼业：批量导入为主，延迟尖峰常出现在对账文件生成环节，需按批次监控。

4.2.3 按区域分类

• 一线城市：业务量大，系统负载高，延迟尖峰多由并发引起，阈值需按小时级动态调整。
• 二三线城市：业务量平稳，延迟尖峰多由网络抖动或本地机房故障引起，阈值可相对固定。
• 偏远地区/海外：网络延迟本身较高，需先建立“正常延迟基线”，再设定相对偏移阈值。

4.3 二维交叉分类与阈值设定矩阵

实际监控中，时间维度和业务维度需要交叉组合，形成精细化的阈值设定矩阵。以下是一个简化的示例：

4.4 分类后的阈值设定流程

1. 步骤1：按时间维度（日/周/月）对延迟数据进行切片，分别计算各切片的基础统计量（均值、标准差、P50/P90/P95/P99）。
2. 步骤2：在时间切片内，再按业务维度（险种、渠道、区域）进行二次分组，确保每个组合有足够的样本量（建议至少100个数据点）。
3. 步骤3：对每个组合，使用“滑动窗口 + 百分位”或“同比基线 + 标准差”方法设定初始阈值。
4. 步骤4：引入日历事件标记（如月末、周一、节假日），将可预知的月尖峰和周尖峰从告警逻辑中排除。
5. 步骤5：运行A/B测试，对比新阈值与旧阈值的误报率和漏报率，迭代优化。

# 伪代码：按时间+业务维度分类设定阈值
def compute_thresholds(df, time_grain='day', biz_dimensions=['line', 'channel', 'region']):
    thresholds = {}
    for grain in ['day', 'week', 'month']:
        df_grain = df.resample(grain).agg({'delay': list})
        for dims in product(*[df[dim].unique() for dim in biz_dimensions]):
            subset = df_grain
            for dim, val in zip(biz_dimensions, dims):
                subset = subset[subset[dim] == val]
            if len(subset) < 100:
                continue  # 样本不足，跳过
            p95 = np.percentile(subset['delay'], 95)
            p99 = np.percentile(subset['delay'], 99)
            thresholds[(grain, dims)] = {'p95': p95, 'p99': p99}
    return thresholds