# 模型平台

> 评分卡与机器学习模型的「生产车间」：样本、训练、评估、部署、监控、迭代、退役的全生命周期管理，让模型从实验室脚本变成可审计的生产资产。

## 一、它是干什么的

风控模型分两类：**评分卡**（逻辑回归 + 分箱，可解释、监管友好）与**机器学习模型**（GBDT、序列模型、图模型，效果更好但难解释）。模型平台把这两类模型的共同流程标准化：样本怎么来、特征怎么拼、模型怎么训、效果怎么评、上线怎么发、上线后怎么盯。

它不负责算特征（那是特征变量平台），也不负责编排决策（那是规则引擎），它负责**模型本身的可信、可复现、可运营**。

## 二、谁在用

| 角色 | 用来做什么 |
| --- | --- |
| 算法工程师 | 建样本、训模型、调参、评估 |
| 风控策略 | 看模型效果、定阈值、做冠军挑战者 |
| 模型风险管理（验证） | 独立验证、文档审查、上线审批 |
| 工程 | 部署、扩容、监控、回滚 |
| 审计 / 监管 | 查模型台账、版本、验证记录 |

## 三、系统里有什么

| 模块 | 主要能力 |
| --- | --- |
| 样本库 | 标签定义（D1/D7/M3 逾期、欺诈确认）、正负样本、观察期与表现期、样本快照 |
| 特征拼装 | 调特征变量平台做 Point-in-Time Join，防止穿越 |
| 实验管理 | 数据集版本、参数、代码、环境全记录，可复现 |
| 训练与评估 | 逻辑回归/评分卡/GBDT/序列模型；AUC、KS、PSI、Lift、分组单调性 |
| 模型仓库 | 模型文件（PMML/ONNX/ pickle）、版本、指标、负责人、适用范围 |
| 部署发布 | 在线 API / 离线批量 / 嵌入式；灰度、冠军挑战者、回滚 |
| 监控 | 分数分布、PSI、KS 衰减、特征漂移、拒绝推断 |
| 模型台账 | 模型卡（用途、数据、局限）、验证报告、审批记录 |
| 可解释 | 评分卡分值表、SHAP、特征重要性 |

## 四、解决什么问题

| 痛点 | 表现 | 后果 |
| --- | --- | --- |
| 模型散落 | 脚本在个人电脑、模型文件靠微信传 | 无法复现，人一走就失传 |
| 样本穿越 | 用最新特征拼历史样本 | 离线虚高，上线崩盘 |
| 上线靠人 | 手工导模型、改配置 | 出错率高、无法回滚 |
| 无监控 | 模型效果衰减没人知道 | 风险敞口悄悄扩大 |
| 无台账 | 监管问「这个模型怎么验证的」答不上来 | 合规风险 |
| 阈值拍脑袋 | 通过率与风险不匹配 | 要么放水要么误杀 |

## 五、深度解析

### 5.1 模型生命周期

```text
业务问题 → 样本定义 → 特征拼装(PIT) → 训练 → 离线评估
   → 独立验证 → 上线审批 → 灰度/冠军挑战者 → 全量
   → 线上监控 → 衰减触发重训 → 退役
```

每一环都要留产物：样本口径文档、特征清单与版本、训练配置、评估报告、验证报告、上线单。**模型能不能复现，是平台成熟度的第一标志。**

### 5.2 评分卡与机器学习的取舍

| 维度 | 评分卡 | 机器学习 |
| --- | --- | --- |
| 可解释 | 强（分值可直接讲） | 弱（需 SHAP 辅助） |
| 效果 | 中 | 高 |
| 稳定性 | 高 | 中（分布漂移敏感） |
| 监管接受度 | 高 | 中（需模型风险管理） |
| 迭代成本 | 低 | 高 |
| 数据要求 | 中 | 高 |

实践常见组合：**评分卡做主线与兜底，机器学习做加分项**，二者在决策流里加权或串联。

### 5.3 线上监控的三条线

1. **数据线**：特征空值率、分布漂移（PSI）、异常值；
2. **模型线**：分数分布、KS/AUC（有标签回流时）、拒绝推断；
3. **业务线**：通过率、逾期率、欺诈率、额度使用率。

三条线要一起看：分数分布变了但业务指标没变，可能只是客群结构变化；业务指标恶化但分数没变，可能是特征滞后或标签延迟。

### 5.4 冠军挑战者

同一批流量按比例分给主模型（冠军）与候选模型（挑战者），挑战者只记录不决策，积累足够样本后比较效果再切换。关键点：**分流要随机且稳定**（按客户号哈希，不要按时间）、**比较要看同一客群**、**切换要有回滚开关**。

### 5.5 核心指标

| 指标 | 说明 |
| --- | --- |
| KS / AUC | 区分能力 |
| PSI | 稳定性，通常 > 0.25 触发预警 |
| 分数分布偏移 | 通过率变化的直接原因 |
| 模型覆盖率 | 有多少请求走到了模型 |
| 预测偏差 | 预测 PD 与实际违约率的偏离 |

## 六、竞品与选型参考

| 产品 / 厂商 | 类型 | 优点 | 局限 |
| --- | --- | --- | --- |
| 阿里云 PAI / 腾讯云 TI-ONE / 华为 ModelArts | 云托管机器学习平台 | 训练推理一体、弹性算力、运维托管 | 绑定云厂商，风控合规与本地数仓适配成本高，规模化后费用上升 |
| MLflow | 开源实验管理 | 轻量、实验与模型注册规范、社区活跃 | 只管实验与模型注册，部署、监控、权限需自建 |
| SAS 风控建模套件 | 商业建模 | 评分卡方法论成熟、监管认可度高、文档体系完整 | 昂贵、生态封闭、依赖专业人才 |
| FICO 模型与决策组合 | 商业 | 评分卡 + 决策策略一体，海外银行实践多 | 成本高，国内数据源适配与本地化实施周期长 |
| 风控厂商建模服务（同盾、百融等） | 商业服务 | 交付快、样本与方法论现成 | 模型黑盒，归属与可解释性需在合同中明确 |

> 常见组合：开源/云平台做训练与实验，自研服务做在线部署与监控，商业厂商只补样本与方法论。

> **资料来源与时效**：厂商官网与公开产品文档、开源项目文档/仓库、公开技术文章与行业报告，以及行业常见实践；信息整理截至 **2026-10**，未逐一与厂商核实。产品能力、定价与版本会随迭代变化，选型前请核对官方最新资料并做 POC 验证；本节不构成选型推荐，也不含厂商商务信息。

## 七、与其他风险系统的关系

| 系统 | 关系 | 交互内容 |
| --- | --- | --- |
| 特征变量平台 | 上游 | 提供 PIT 特征与样本快照，保证不穿越 |
| 规则引擎 | 下游 | 作为决策流中的模型节点，返回分数与阈值判断 |
| 授信额度与定价 | 下游 | 风险等级 / PD 作为额度与定价输入 |
| 贷中监控 | 下游 | 行为评分用于存量客户预警 |
| 策略分析 | 双向 | 效果评估驱动重训，模型指标回流分析 |
| 决策留痕 | 下游 | 记录模型版本、分数、阈值，支持复现 |

## 八、常见坑

| 坑 | 后果 | 规避 |
| --- | --- | --- |
| 样本穿越 | 离线好上线差 | PIT Join + 快照 |
| 只训不监控 | 效果衰减无人知 | 三条监控线 |
| 模型无版本 | 无法复现与回滚 | 版本 + 台账 |
| 阈值与业务脱节 | 通过率失控 | 阈值需业务与风险共同定 |
| 忽略拒绝推断 | 样本只含通过客户，模型有偏 | 拒绝推断或全样本设计 |
| 挑战者分流不稳定 | 对比结论不可信 | 哈希分流 + 同客群比较 |