1. 课程导论：支付风控策略衰减的定义、批次漂移问题的业务背景与重要性
1.1 支付风控策略衰减的定义
在支付风控领域，策略衰减（Strategy Decay）是指一套风控规则或模型在部署上线后，随着时间推移，其区分好坏用户的能力逐渐下降的现象。这种衰减并非由单一因素引起，而是数据分布、用户行为、欺诈手法与业务环境共同演化的结果。
核心公式（简化）：
其中 λ 为衰减速率，t 为时间（通常以天或周为单位）。λ 越大，策略失效越快。
策略效果(t) = 初始效果 × e−λt + 噪声其中 λ 为衰减速率，t 为时间（通常以天或周为单位）。λ 越大，策略失效越快。
策略衰减的典型表现包括：
- 误杀率上升：原本正常的交易被频繁拦截，影响用户体验与交易转化。
- 漏过率上升：欺诈交易绕过现有规则，导致资损增加。
- 规则命中率偏移：某条规则的命中率从 5% 骤降至 0.5%，或从 2% 飙升至 15%，均需警惕。
- 模型分数分布漂移：评分卡或机器学习模型输出的分数整体向右或向左移动。
1.2 批次漂移问题的业务背景
批次漂移（Batch Drift）是策略衰减中最常见、最隐蔽的一种形式。它特指风控模型或规则在不同生产批次（如每日、每小时的交易批次）之间，输入特征分布发生系统性变化，导致模型预测能力退化。
批次漂移的根源可归纳为以下四类：
| 漂移类型 | 业务场景举例 | 影响速度 |
|---|---|---|
| 概念漂移 | 欺诈团伙切换攻击链路（如从盗卡转向钓鱼） | 快（数小时至数天） |
| 特征漂移 | 用户设备指纹分布因新机型上市而改变 | 中（数天至数周） |
| 标签漂移 | 逾期定义从 M1 调整为 M2，正负样本边界变化 | 慢（数周至数月） |
| 样本选择漂移 | 风控拦截后，被拒绝交易无法获得真实标签 | 持续累积 |
业务洞察： 在支付风控中，批次漂移的检测窗口通常以“小时”或“天”为单位。例如，某支付平台在双十一大促期间，交易量激增 10 倍，用户行为模式发生剧烈变化，若未在 2 小时内检测到特征漂移并调整策略，资损可能呈指数级上升。
1.3 批次漂移预警的重要性
建立批次漂移的早期预警机制，是支付风控体系从“被动响应”转向“主动防御”的关键能力。其重要性体现在三个层面：
- 降低资损风险：提前 1 天发现漂移，可减少 60%-80% 的潜在欺诈损失（行业基准数据）。
- 保障用户体验：避免因策略误杀导致正常用户被拦截，减少客诉与流失。
- 提升模型迭代效率：通过预警定位漂移特征，数据科学家可快速定位问题，将模型更新周期从 2 周缩短至 2 天。
1.4 批次漂移的检测指标概览
在实际生产环境中，我们通常使用以下统计指标来量化批次漂移的程度：
| 指标名称 | 计算公式 | 阈值参考 | 适用场景 |
|---|---|---|---|
| PSI（群体稳定性指标） | Σ(实际占比 - 预期占比) × ln(实际占比 / 预期占比) | < 0.1 无漂移 0.1-0.25 轻度漂移 > 0.25 严重漂移 |
连续型特征、模型分数 |
| KS（Kolmogorov-Smirnov 统计量） | max|F₁(x) - F₂(x)| | < 0.1 稳定 0.1-0.3 需关注 > 0.3 显著漂移 |
两样本分布差异 |
| 人口稳定性指数 | 与 PSI 类似，但用于离散变量 | 同 PSI | 类别型特征 |
| 特征重要性变化 | SHAP / 排列重要性变化率 | 变化 > 20% 需排查 | 模型可解释性监控 |
常见误区： 很多团队只监控 PSI 一个指标，但 PSI 对样本量敏感且无法区分“均值漂移”与“方差漂移”。建议至少同时监控 PSI + KS + 特征均值/标准差，形成多维预警体系。
1.5 本章小结
本章建立了课程的核心概念框架：
- 策略衰减是风控系统随时间必然面临的问题，其本质是数据分布与业务环境的动态变化。
- 批次漂移是策略衰减在时间批次维度上的具体表现，是早期预警的核心监测对象。
- 通过 PSI、KS、特征重要性变化 等指标，可以构建多维度的漂移检测体系。
- 早期预警的最终目标是形成检测-预警-调整-反馈的自动化闭环，将策略衰减的影响降到最低。