4. PSI 阈值设定：行业通用阈值与业务场景调整策略
PSI 阈值是模型漂移巡查的“触发扳机”。阈值设得过低，告警泛滥，运维团队陷入“狼来了”困境；设得过高，模型已严重漂移却未被发现，造成业务损失。本章从行业通用基准出发，深入不同业务场景下的调整策略，并解析阈值与告警灵敏度之间的权衡关系。
4.1 行业通用阈值：0.1 与 0.2 的由来
在金融风控、信贷评分、营销响应等成熟领域，PSI 阈值已形成广泛接受的参考标准：
| PSI 区间 | 漂移程度 | 行业通用判定 | 建议动作 |
|---|---|---|---|
| PSI < 0.1 | 无漂移 / 轻微漂移 | 分布稳定，无需干预 | 常规监控，记录日志 |
| 0.1 ≤ PSI < 0.2 | 中度漂移 | 分布发生明显偏移，需关注 | 触发预警，启动人工排查 |
| PSI ≥ 0.2 | 严重漂移 | 分布发生显著变化，模型可能失效 | 立即告警，考虑模型回滚或重训 |
经验来源：0.1 和 0.2 这两个阈值最早由信用评分卡开发领域的统计学家提出，基于对数 odds 变换后的分布差异敏感性。经过数十年跨行业验证，已成为 PSI 监控的事实标准。
4.2 不同业务场景下的阈值调整策略
通用阈值并非“银弹”。实际业务中，模型对分布偏移的容忍度差异巨大，需要根据业务风险、数据特性、监管要求进行动态调整。以下为典型场景的调整策略：
| 业务场景 | 风险等级 | 推荐阈值 | 调整理由 |
|---|---|---|---|
| 反欺诈模型（实时拦截） | 极高 | 0.05 / 0.10 | 欺诈模式变化快，轻微漂移即可能漏过欺诈交易，需高灵敏度 |
| 信贷审批评分卡 | 高 | 0.10 / 0.20 | 监管要求严格，但客户群体相对稳定，沿用通用阈值即可 |
| 营销响应预测 | 中 | 0.15 / 0.25 | 营销活动周期性波动大，适当放宽阈值避免误报 |
| 推荐系统（内容流） | 低 | 0.20 / 0.30 | 用户兴趣自然演化，模型需适应变化，过严阈值导致频繁重训 |
| 医疗诊断辅助模型 | 极高 | 0.03 / 0.08 | 人命关天，任何分布偏移都需立即审查，阈值最严格 |
避坑提示：阈值调整不能“一刀切”。同一模型的不同特征维度，或同一模型在不同时间窗口（如节假日 vs 平日），也应考虑差异化阈值。建议先使用通用阈值运行 2-4 个监控周期，积累基线数据后再做针对性调整。
4.3 阈值与告警灵敏度的权衡
阈值设定本质上是灵敏度（Sensitivity）与特异度（Specificity）之间的权衡。降低阈值会提高告警覆盖率（减少漏报），但也会增加误报率；提高阈值则相反。下图展示了这种权衡关系：
4.4 阈值调整的量化方法
除了经验法则，还可以通过以下量化方法科学设定阈值：
- 基于历史基线法：收集模型上线后前 3-6 个月的 PSI 数据，计算均值 μ 和标准差 σ，设定阈值为 μ + kσ（k 通常取 2 或 3）。
- 基于业务损失函数法：定义误报成本（CFP）和漏报成本（CFN），寻找使总期望损失最小的阈值。
- 基于分位数法：将历史 PSI 值按升序排列，取 90% 或 95% 分位数作为告警阈值。
实践建议：推荐采用“双阈值 + 分级告警”策略。例如：设置 0.10 为“黄色预警”（需人工关注），0.20 为“红色告警”（需立即响应）。这样既保证了灵敏度，又避免了单一阈值带来的“告警疲劳”。
4.5 阈值调整的常见误区
- 误区一：所有模型使用同一套阈值。→ 纠正：不同模型、不同特征、不同时间窗口应差异化设定。
- 误区二：阈值一旦设定就永久不变。→ 纠正：随着业务环境变化，阈值应定期（如每季度）复审和调整。
- 误区三：只关注 PSI 绝对值，忽略趋势。→ 纠正：PSI 连续上升趋势比单次超标更具预警价值，应结合趋势监控。
- 误区四：阈值越低越好。→ 纠正：过低的阈值导致大量无效告警，降低运维团队对告警的重视程度。
4.6 阈值设定流程总结
落地建议：在 MLOps 平台中，建议将阈值参数化，支持按模型、按特征、按时间窗口动态配置。同时记录每次阈值调整的原因和效果，形成阈值调优知识库，为后续新模型的阈值设定提供参考。