📚 课程目录第4章批次漂移定义

4、批次漂移定义：什么是批次漂移，时间漂移与分布漂移的区别

在风控策略的持续监控中，批次漂移（Batch Drift）是指模型评分或特征分布在连续两个时间窗口（批次）之间发生显著变化的现象。这种变化通常意味着模型赖以生存的“数据环境”已经发生了改变，是触发策略告警、启动阈值调优的核心依据。

批次漂移的本质是数据分布的非平稳性。在理想情况下，模型训练集（参考批次）与线上实时数据（当前批次）应服从相同的分布。然而，由于客群行为变化、宏观经济波动、政策调整或数据采集链路异常等原因，这种“同分布假设”往往会被打破。

  核心判断标准： 当 PSI（群体稳定性指标）超过预设阈值（如 0.1 或 0.25）时，即判定当前批次发生了显著的批次漂移。

批次漂移可以进一步细分为两种类型：时间漂移（Temporal Drift）和分布漂移（Distribution Drift）。理解二者的区别，是精准定位漂移根因、制定差异化调优策略的前提。

对比维度	时间漂移（Temporal Drift）	分布漂移（Distribution Drift）
定义	数据分布随时间轴自然演变，是渐进式的、周期性的变化。	数据分布因结构性因素发生突变，是跳跃式的、非周期性的变化。
驱动因素	季节性、客群生命周期、宏观经济周期、政策法规的长期调整。	数据采集系统故障、特征计算逻辑变更、外部黑产集中攻击、产品规则重大改版。
变化速度	缓慢、平滑，通常需要多个批次才能观察到明显偏移。	快速、剧烈，通常在单个批次内即可触发告警。
可预测性	相对可预测，可通过历史同期数据或趋势模型进行预判。	难以预测，通常属于突发事件或异常事件。
对策略的影响	模型区分度逐渐衰减，需要定期重训或阈值微调。	模型可能瞬间失效，需要立即冻结策略、排查根因。
典型示例	双十一期间消费信贷申请量激增，客群收入结构季节性上移。	某第三方数据源接口突然返回空值，导致特征分布断崖式下跌。

时间漂移的识别： 观察 PSI 趋势图，若 PSI 值呈现缓慢爬升或周期性波动（如每月末升高、月初回落），则大概率属于时间漂移。应对策略包括：引入时间衰减权重、定期更新模型、或对阈值进行季节性调整。
分布漂移的识别： 观察 PSI 在单个批次内出现“尖峰”式跳变，且伴随特征统计量（均值、方差、缺失率）的剧烈变化。应对策略包括：立即触发告警、回滚特征工程、排查数据链路、或启动紧急模型回退方案。

实战建议： 在监控系统中，建议为时间漂移和分布漂移设置不同的告警阈值。例如，时间漂移使用较宽松的阈值（PSI > 0.25），分布漂移使用较严格的阈值（PSI > 0.5 或单日跳变 > 0.3），以避免误报与漏报。

下图展示了时间漂移与分布漂移在特征分布上的典型差异。左侧为时间漂移，分布形态缓慢右移；右侧为分布漂移，分布形态发生结构性突变。

明确漂移类型后，风控策略的调优方向将截然不同：

时间漂移 → 阈值平滑调整： 采用移动平均或指数加权的方式，逐步调整告警阈值，使其适应新的数据常态。例如，将 PSI 阈值从 0.1 逐步放宽至 0.15。
分布漂移 → 根因排查与策略冻结： 立即停止当前策略的自动调优，优先排查数据链路或特征工程是否存在故障。在确认根因前，可回退至上一稳定版本的策略。

注意： 切勿将分布漂移误判为时间漂移而进行“平滑处理”。这会导致模型在异常数据上持续学习，最终造成策略全面失效。建议在监控系统中同时记录 PSI 值和特征统计量（均值、标准差），辅助判断漂移类型。