4. PSI 阈值设定原则：从通用标准到业务映射
PSI 漂移告警并非一个“一刀切”的数值游戏。阈值设定需要在统计显著性与业务可操作性之间取得平衡。本章将系统阐述行业通用阈值、业务容忍度以及模型风险等级三者之间的映射关系，帮助你在不同场景下做出合理的阈值决策。
4.1 行业通用阈值：0.1 与 0.25 的统计含义
在金融风控、用户增长等成熟领域，PSI 阈值已形成广泛共识。下表总结了两个关键分界点的统计含义与推荐动作：
| PSI 值区间 | 漂移等级 | 统计含义 | 推荐动作 |
|---|---|---|---|
| PSI < 0.1 | 无显著漂移 | 特征分布变化在随机波动范围内，模型性能稳定。 | 无需干预，维持常规监控。 |
| 0.1 ≤ PSI < 0.25 | 轻度漂移 | 分布发生结构性偏移，但尚未导致模型效果严重下降。 | 触发预警，启动人工排查；评估是否需要轻量级校准。 |
| PSI ≥ 0.25 | 重度漂移 | 分布发生剧烈变化，模型预测能力大概率已受损。 | 立即告警，暂停高风险决策；启动模型重训或回滚。 |
关键认知： 0.1 和 0.25 是经验值，并非数学定理。它们来源于大量信贷评分卡和风控模型的实践总结，适用于特征分布相对稳定的场景。在非结构化数据或高频交易场景中，这些阈值可能需要调整。
4.2 业务容忍度：从“统计显著”到“业务可接受”
统计上的“显著漂移”并不等同于业务上的“不可接受”。业务容忍度决定了在 PSI 超过 0.1 甚至 0.25 时，你是否需要立即采取行动。容忍度通常由以下三个维度决定：
- 业务影响面： 漂移特征直接影响核心指标（如坏账率、转化率）时，容忍度低；影响边缘指标时，容忍度可适当放宽。
- 决策时效性： 实时授信、实时推荐等场景对漂移敏感，容忍度低；离线批量预测场景容忍度相对较高。
- 监管合规要求： 受强监管的业务（如巴塞尔协议、GDPR）要求模型行为可解释且稳定，容忍度极低。
下表展示了不同业务场景下的容忍度分级与阈值调整建议：
| 业务场景 | 容忍度等级 | 建议轻度漂移阈值 | 建议重度漂移阈值 |
|---|---|---|---|
| 信贷审批、反欺诈 | 极低 | 0.05 | 0.15 |
| 用户留存预测、营销响应 | 中等 | 0.10 | 0.25 |
| 非关键性推荐、内容排序 | 较高 | 0.15 | 0.35 |
4.3 模型风险等级与阈值的映射关系
并非所有模型都值得相同的监控投入。根据模型对业务的影响程度，可将模型划分为三个风险等级，并为每个等级设定差异化的阈值策略。
4.4 阈值设定的综合决策流程
在实际落地中，建议按照以下步骤确定最终阈值：
- 初始设定： 以行业通用阈值（0.1 / 0.25）作为基线。
- 风险分级： 根据模型对业务的影响程度，将模型划分为高、中、低三个风险等级。
- 容忍度校准： 与业务方沟通，明确业务可接受的性能下降幅度，将容忍度量化为阈值偏移系数。
- 历史回测： 使用过去 3-6 个月的 PSI 数据与模型效果指标（如 AUC、KS）进行相关性分析，验证阈值是否合理。
- 灰度验证： 在 10%-20% 的流量上运行新阈值，观察告警频率与误报率。
- 正式发布与持续监控： 全量生效后，定期（如每季度）复盘阈值有效性。
实践建议： 不要将阈值写死在代码中。建议将阈值配置化，存储在配置中心或数据库中，支持动态调整。这样当业务方提出“最近告警太多，能不能放宽一点”时，你可以快速响应，而无需重新部署模型。
4.5 常见误区与避坑指南
- 误区一：所有模型共用同一套阈值。 这会导致高风险模型告警不足，低风险模型告警泛滥。正确做法是按风险等级差异化配置。
- 误区二：阈值设定后永不修改。 业务环境、数据分布、模型版本都在变化，阈值需要定期校准。
- 误区三：只看 PSI 不看业务指标。 PSI 是代理指标，最终决策应结合模型实际效果（如准确率、坏账率）综合判断。
- 误区四：阈值越严格越好。 过于严格的阈值会产生大量误报，导致运维团队“狼来了”效应，反而忽略真正的漂移。