数据漂移实战｜风控模型漂移检测与自动重训练全流程｜AI训练师项目案例

数据漂移实战｜风控模型漂移检测与自动重训练全流程｜AI训练师项目案例

摘要：本文以金融风控评分卡模型为例，完整演示数据漂移与概念漂移的检测与自动重训练流程。涵盖KS检验、PSI指标、ADWIN流式检测三种方法，漂移告警阈值设定，以及触发自动重训练的MLOps流水线搭建，含完整Python代码。

一、项目背景

1.1 为什么风控模型会”变钝”

做过金融风控的同学应该都有这个经历：模型刚上线的时候AUC能到0.78、KS值能到0.45，各方面指标都挺好看的。但是过了三到六个月，你会发现审批通过率没变，但坏账率悄悄涨上去了。再一看模型的KS值，已经从0.45掉到了0.35。

这不是你的模型出了bug，这是**数据漂移（Data Drift）**在作祟。

所谓数据漂移，简单说就是：模型上线之后，真实世界的数据分布发生了变化，但模型还在用上线时的”旧认知”做决策。就像你用三年前训练的导航模型去开今天新修的路，必然要走偏。

在金融风控场景里，数据漂移尤其频繁。原因有几个：

• 宏观经济变化：比如疫情冲击导致大量借款人失业，违约风险骤增
• 政策调整：监管新规出台改变了借款人的行为模式
• 业务策略变更：你们的市场部调整了获客渠道，新渠道的用户画像跟原来的不一样
• 欺