1. 批次偏移概述

1.1 什么是支付批次偏移

支付批次偏移（Batch Shift）是指在支付风控系统中，由于外部环境、用户行为或业务策略的持续变化，导致模型训练时所依赖的样本分布与线上实时数据分布之间出现系统性偏差的现象。这种偏差通常不是瞬间发生的，而是随着时间推移逐渐累积，最终引发模型预测能力显著下降。

从数据科学角度看，批次偏移本质上是特征分布或标签分布在时间维度上的非平稳变化。在支付风控场景中，这种变化会直接导致模型对欺诈交易的识别率降低、误报率升高，甚至使原有策略完全失效。

1.2 批次偏移的典型场景

支付风控中批次偏移的触发因素多种多样，以下列出最常见的四类场景：

1.3 批次偏移对风控模型的影响

批次偏移对支付风控模型的影响是多层次、系统性的，可以从以下三个维度理解：

1. 预测精度下降：模型在训练集上拟合的决策边界不再适配线上数据，导致欺诈识别率（TPR）降低、误杀率（FPR）升高。例如，原本能拦截95%盗刷交易的模型，偏移后可能降至70%。
2. 特征重要性漂移：原本对区分好坏样本贡献最大的特征（如设备指纹、IP归属地）可能变得不再有效，而之前被忽略的特征（如支付时段、金额倍数）反而成为关键信号。
3. 策略失效与成本激增：基于旧模型配置的规则阈值、拒绝策略、人工审核队列全部失准，导致风控团队需要投入大量人力重新调参、标注样本，运营成本急剧上升。