3. 规则引擎与PSI的关系：为什么规则引擎需要PSI监控
在风控系统中，规则引擎负责执行由业务专家或数据分析师定义的决策逻辑，而PSI（Population Stability Index，群体稳定性指标）则用于量化这些规则所依赖的特征分布是否发生偏移。两者之间的关系可以概括为：规则引擎是执行层，PSI是监控层。没有PSI监控的规则引擎，如同没有仪表的飞机——飞行员知道引擎在运转，却无法判断航向是否偏离。
3.1 为什么规则引擎需要PSI监控
规则引擎的决策质量高度依赖于输入特征的统计分布。当用户群体、市场环境或数据采集方式发生变化时，特征分布会发生偏移，导致规则命中率、拒绝率、误杀率等关键指标异常。PSI监控能够提前发现这些变化，避免规则引擎在“失准”状态下运行。
核心痛点： 规则引擎本身不具备“感知”分布变化的能力。它只会机械地执行 if-then 逻辑，即使输入数据已经发生结构性偏移，引擎依然按照旧逻辑输出结果，导致风控决策失效。
| 监控维度 | 无PSI监控的后果 | 有PSI监控的价值 |
|---|---|---|
| 规则命中率 | 命中率骤升/骤降，无法定位原因 | 提前预警，区分是策略调整还是分布偏移 |
| 拒绝率 | 拒绝率异常升高，误杀优质客户 | 定位偏移特征，快速调整规则阈值 |
| 模型评分分布 | 评分分布漂移，规则排序失效 | 量化漂移程度，决定是否需要重新训练 |
| 数据质量 | 缺失率/异常值变化，规则执行报错 | 监控特征完整性，触发数据修复流程 |
3.2 PSI如何衡量规则分布偏移
PSI通过比较两个样本群体在相同分箱（bin）上的分布差异，来量化偏移程度。在规则引擎场景中，通常将历史稳定期（基准期）的特征分布与当前监控期的特征分布进行对比。
PSI计算公式：
PSI = Σ ( (实际占比_i - 预期占比_i) * ln(实际占比_i / 预期占比_i) )
其中：
- 预期占比_i：基准期第i个分箱的样本比例
- 实际占比_i：监控期第i个分箱的样本比例
- i：分箱编号（通常分为10~20个等频箱）PSI阈值与行动指南：
| PSI值范围 | 偏移程度 | 建议行动 |
|---|---|---|
| PSI < 0.1 | 无显著偏移 | 正常监控，无需干预 |
| 0.1 ≤ PSI < 0.25 | 轻度偏移 | 发出预警，排查特征变化原因 |
| PSI ≥ 0.25 | 严重偏移 | 立即告警，暂停依赖该特征的规则，启动模型/规则重训 |
实战经验： 在规则引擎中，PSI监控应细化到每条规则所依赖的特征。例如，规则“近30天借款次数 > 5”依赖“近30天借款次数”这个特征，需要单独计算该特征的PSI，而不是只看整体评分PSI。
3.3 规则漂移与模型退化的区别
在风控监控体系中，规则漂移（Rule Drift）和模型退化（Model Degradation）是两个容易混淆但本质不同的概念。理解它们的区别，有助于选择合适的监控策略和应对措施。
| 对比维度 | 规则漂移 | 模型退化 |
|---|---|---|
| 定义 | 规则所依赖的特征分布发生变化，导致规则命中率、拒绝率等指标偏离预期 | 模型预测能力随时间下降，表现为AUC、KS、准确率等性能指标衰减 |
| 根本原因 | 用户群体变化、数据采集方式变更、业务策略调整、外部环境变化 | 特征与目标之间的关系发生变化（概念漂移）、特征分布偏移、模型过拟合 |
| 监控指标 | PSI、特征缺失率、规则命中率、拒绝率 | AUC、KS、Gini、准确率、召回率、F1-score |
| 影响范围 | 通常影响单条或少数规则，局部性强 | 影响整个模型输出，全局性强 |
| 修复方式 | 调整规则阈值、修改规则逻辑、下线失效规则 | 重新训练模型、特征工程优化、模型版本迭代 |
| 响应速度 | 可快速调整（小时级/天级） | 需要较长时间（天级/周级） |
| 典型场景 | 某条规则“近7天申请次数 > 3”命中率从5%骤升至20% | 模型KS从0.45下降至0.30，区分能力明显减弱 |
常见误区： 很多团队将规则漂移和模型退化混为一谈，使用同一套PSI监控体系覆盖所有场景。实际上，规则漂移更适合用特征级PSI监控，而模型退化需要结合模型性能指标（AUC/KS）和模型输出PSI综合判断。两者应建立独立的监控看板。
3.4 规则引擎PSI监控的落地要点
- 特征级PSI vs 规则级PSI： 特征级PSI监控每个输入特征的分布稳定性；规则级PSI监控规则输出（命中/未命中）的分布变化。两者结合使用，才能全面覆盖。
- 分箱策略选择： 对于连续型特征，推荐使用等频分箱（10箱）；对于离散型特征，按原始类别分箱。分箱方式需在基准期和监控期保持一致。
- 样本量要求： 每个分箱的样本量不应少于30，否则PSI计算结果会失真。当监控期样本量不足时，应延长监控窗口或降低分箱数量。
- 告警阈值动态调整： 固定阈值（0.1/0.25）是通用建议，实际生产中应根据特征重要性、业务容忍度进行微调。高敏感特征可设置更严格的阈值（如0.05）。
- 联动规则引擎： PSI告警应自动触发规则引擎的降级或熔断机制，例如：当某特征PSI > 0.25时，自动暂停依赖该特征的所有规则，避免错误决策。
最佳实践： 在规则引擎中嵌入PSI监控模块，实现“监控-告警-降级”的自动化闭环。建议每天凌晨计算一次所有特征的PSI，生成监控报表，并在PSI超过阈值时通过企业微信、钉钉或邮件实时推送告警。