1. 课程导论：信用评分特征服务成本优化的背景、目标与整体框架
1.1 为什么需要关注特征服务成本？
在信用评分模型从开发到上线的全生命周期中，特征工程与特征服务往往占据总技术成本的 40%~60%。随着风控策略的精细化，单次评分请求可能涉及数百个衍生特征，特征存储、实时计算、数据拉取与模型推理的边际成本急剧上升。本课程聚焦于特征服务成本优化，旨在帮助风控团队在保持模型区分度（KS / AUC）的前提下，显著降低基础设施与运维开销。
核心痛点： 特征膨胀 → 存储成本高、计算延迟长、运维复杂度大 → 模型迭代周期变慢。
1.2 优化目标：成本、性能与模型质量的三维平衡
特征服务成本优化并非单纯削减特征数量，而是在以下三个维度之间寻找最优解：
| 维度 | 关键指标 | 优化方向 |
|---|---|---|
| 成本 | 单次评分特征计算成本、存储占用、带宽消耗 | 减少冗余特征、压缩存储、复用中间结果 |
| 性能 | P99 延迟、吞吐量、缓存命中率 | 特征预计算、冷热分离、异步加载 |
| 模型质量 | KS / AUC / 特征重要性衰减 | 保留高贡献特征、剔除低贡献噪音 |
经验法则： 通常移除后 20% 的低重要性特征，可降低 30%~50% 的特征服务成本，而模型 AUC 下降不超过 0.5%。
1.3 整体框架：从特征生产到服务交付的优化链路
本课程将优化过程拆解为四个阶段，形成闭环迭代框架：
- 特征审计与价值评估 — 基于特征重要性、缺失率、稳定性（PSI）进行成本归因。
- 特征压缩与降维 — 使用主成分分析、特征哈希、分箱合并等技术减少存储与计算。
- 服务架构优化 — 引入缓存层、冷热分离存储、异步预计算，降低实时计算压力。
- 持续监控与迭代 — 建立成本仪表盘，定期重评估特征 ROI，驱动版本更新。
1.4 课程案例全景：从真实业务场景出发
本课程围绕一个典型的消费金融信用评分场景展开，数据集包含 200+ 原始特征，经过特征工程后衍生至 800+ 特征。我们将通过以下案例逐步演示优化过程：
- 案例 A： 特征重要性排序与成本归因分析（基于 LightGBM 内置重要性 + 存储成本核算）
- 案例 B： 使用特征哈希将高基数类别特征压缩 80%，AUC 损失 < 0.3%
- 案例 C： 引入 Redis 缓存层，将 P99 延迟从 120ms 降至 35ms
- 案例 D： 建立成本监控看板，实现特征级 ROI 自动标记与淘汰
注意： 优化过程中需避免过度压缩导致特征信息丢失，尤其要关注低频率但高区分度的“长尾特征”。本课程将在后续章节提供具体的阈值设定方法与回测验证流程。
1.5 预期收益与课程结构
完成本课程学习后，学员应能够：
| 能力维度 | 具体产出 |
|---|---|
| 成本分析 | 输出特征级成本账单，识别 Top 10 高成本低收益特征 |
| 压缩实施 | 独立完成特征哈希、分箱合并、PCA 降维的代码实现与效果验证 |
| 架构改造 | 设计冷热分离存储方案，配置缓存策略并评估命中率 |
| 持续运营 | 搭建特征成本监控看板，制定版本迭代 SOP |