1. 课程导论：风控特征缺失问题的严重性、巡检的必要性、课程目标与学习路径
1.1 风控特征缺失：被低估的系统性风险
在信贷、支付、保险等金融风控场景中，模型依赖数百甚至上千个特征进行实时决策。特征缺失并非简单的“数据为空”，而是贯穿数据采集、加工、存储、上线全链路的系统性隐患。一旦缺失未被及时发现，将直接导致模型输出偏移、评分失真、拒绝率异常，最终引发资产质量恶化。
⚠️ 真实案例警示： 某头部消费金融平台因上游埋点变更导致“近7日多头借贷次数”特征连续缺失72小时，模型自动用均值填充，使得高风险用户评分虚高，最终造成约 1,200 万元的不良贷款损失。事后复盘发现，缺失巡检机制完全空白。
1.2 缺失问题的严重性量化
特征缺失对风控体系的影响可从三个维度评估：
| 影响维度 | 具体表现 | 量化指标示例 |
|---|---|---|
| 模型性能 | 预测偏差、区分度下降 | KS 下降 0.05~0.15，AUC 衰减 3%~8% |
| 决策稳定性 | 拒绝率波动、通过率异常 | 通过率日间波动 > 15% |
| 业务损失 | 坏账率上升、审批效率降低 | 逾期率上升 20%~50%，人工核查成本增加 3 倍 |
关键认知： 特征缺失率超过 5% 即触发预警阈值；超过 20% 时，模型几乎丧失区分能力，必须立即阻断上线或回滚。
1.3 巡检的必要性：从被动救火到主动防御
传统风控团队往往在模型监控发现指标异常后才追溯特征缺失，这种“事后补救”模式存在三大致命缺陷：
- 滞后性： 从缺失发生到被发现，平均耗时 4~8 小时，期间已有大量错误决策生效。
- 归因困难： 缺失可能来自埋点、ETL、特征工程、存储、模型服务等多个环节，排查链路长、定位慢。
- 无历史回溯： 缺失记录未被持久化，无法进行趋势分析和根因复盘。
建立特征缺失巡检体系的核心价值在于：
- 实时感知： 分钟级发现缺失异常，缩短响应时间。
- 自动归因： 通过链路追踪快速定位缺失源头。
- 趋势预警： 基于历史基线预测缺失风险，提前干预。
- 质量度量： 形成特征健康度评分，驱动数据治理闭环。
1.4 缺失巡检的全局架构
下图展示了风控特征缺失巡检的完整链路与核心组件：
1.5 课程目标与学习路径
本课程旨在帮助风控算法与数据工程师建立完整的特征缺失巡检能力体系，实现从“被动响应”到“主动防御”的升级。
| 学习阶段 | 核心目标 | 关键产出 |
|---|---|---|
| 基础篇（第1~5章） | 理解缺失类型、检测方法与指标体系 | 缺失检测脚本、监控看板设计 |
| 进阶篇（第6~15章） | 掌握实时巡检、链路追踪与根因分析 | 巡检引擎、归因算法、告警策略 |
| 实战篇（第16~25章） | 完成全链路巡检系统设计与落地 | 巡检平台、治理工单、复盘报告 |
| 案例篇（第26~30章） | 剖析真实缺失事故与解决方案 | 案例库、最佳实践、SOP 文档 |
💡 学习建议： 建议按照“基础→进阶→实战→案例”的顺序学习，每章结束后完成配套的代码练习与巡检实验。对于有经验的工程师，可以直接从第6章开始，但务必先掌握第2~5章的基础概念与检测方法。
1.6 缺失巡检的核心指标体系
建立巡检体系的第一步是定义可量化的缺失指标。以下是风控场景中最关键的 6 个指标：
- 缺失率（Missing Rate）： 单特征在指定时间窗口内的缺失样本占比。阈值：>5% 预警，>20% 阻断。
- 缺失持续时间（Missing Duration）： 特征从首次缺失到恢复正常的连续时长。阈值：>30 分钟告警。
- 缺失影响面（Impact Coverage）： 受缺失影响的模型决策占比。阈值：>10% 触发紧急响应。
- 缺失根因定位准确率（Root Cause Accuracy）： 巡检系统自动定位到正确缺失环节的比例。目标：>85%。
- 缺失恢复时效（Recovery SLA）： 从告警到缺失修复的平均时长。目标：<15 分钟。
- 特征健康度评分（Feature Health Score）： 综合缺失率、持续时间、影响面计算的 0~100 分评分。
📊 基线参考： 健康度评分 ≥ 90 分为健康，60~89 分为亚健康，<60 分为不健康。巡检系统应针对不健康特征自动生成治理工单。