1. 批次偏移概述
1.1 什么是批次偏移
批次偏移（Batch Drift） 是指在支付风控策略的离线回测或在线监控中，由于样本采集、时间窗口、数据管道或特征计算逻辑发生系统性变化，导致模型或规则在训练批次与生产批次之间的数据分布产生不可忽略的差异。这种差异并非由用户行为真实变化引起，而是由数据工程层面的“批次不一致”所导致的假性偏移。
核心定义： 批次偏移 = 同一套风控策略在不同数据批次上表现不一致，且该不一致无法用业务逻辑解释，根源在于数据管道或特征计算的时间/空间错位。
1.2 批次偏移对支付风控策略免疫的影响
支付风控策略的“免疫”能力，依赖于策略在训练集、验证集、生产集上保持稳定的区分能力和校准能力。批次偏移会从以下三个维度破坏这种免疫：
| 影响维度 | 具体表现 | 后果 |
|---|---|---|
| 误报率膨胀 | 特征分布偏移导致正常交易被误判为高风险 | 用户投诉增加，支付成功率下降 |
| 漏报率上升 | 欺诈模式在新批次中被稀释或掩盖 | 真实欺诈交易逃逸，资金损失扩大 |
| 策略失效不可追溯 | 回测表现良好，上线后效果骤降，但无法快速定位根因 | 排查周期长，业务决策滞后 |
注意： 批次偏移是风控策略“免疫逃逸”的常见诱因之一。即使模型 AUC 在离线回测中达到 0.95，一旦发生批次偏移，线上真实 AUC 可能骤降至 0.6 以下，且无法通过常规重训练快速修复。
1.3 常见业务场景举例
批次偏移并非理论概念，在支付风控的日常运营中频繁出现。以下列举三个典型场景：
- 场景一：时间窗口截断
训练批次使用 T-30 天的完整交易流水，生产批次因数据管道延迟只加载了 T-7 天的数据。导致“近 30 天交易频次”特征在训练集与生产集上分布完全不同，策略误将低频用户判为高频。 - 场景二：特征源切换
设备指纹服务商在批次切换时升级了 SDK，新版本返回的设备 ID 格式与旧版本不一致。导致“设备关联账户数”特征在生产批次上大量缺失或异常，策略失效。 - 场景三：标签泄露
训练批次中使用了包含未来信息的标签（如“交易后 7 天是否发生退单”），而生产批次无法获取未来标签，导致模型在离线回测中表现虚高，上线后大幅回退。
排查提示： 当风控策略上线后出现“回测高分、线上低分”的异常时，应优先检查训练批次与生产批次之间的时间窗口、特征源、标签定义三个维度是否存在系统性差异。批次偏移往往是第一个需要排除的根因。