灵活接入
标准 API 与文件上传两种方式，全部只读接入，不改造、不写回行内系统。多数客户在验证阶段用文件上传即可跑通分析。
能力总览
四个能力，四类问题，一套底座
四件事看似独立，实则共用同一数据底座与分析能力，串成一条彼此衔接的能力链路：沙盘验证指向模型，诊断发现反馈价值分析，回捞灰度回流为新验证样本。
| 能力 | 什么时候用它 | 输入什么 | 输出什么 |
|---|---|---|---|
| 策略沙盘 | 准备调整策略，不确定影响 | 历史决策数据 + 待调整规则 / 阈值 | 调整后误杀率、漏杀率、影响客群、规则风险提示 |
| 模型诊断 | 模型效果下滑，找不到原因 | 入模清单 + 决策结果 + 表现标签 | 衰减归因、失效特征清单、替代方案、可复现证据包 |
| 拒绝回捞 | 怀疑有误杀，不敢降门槛 | 历史拒单 + 优质客群表现 | 相似度匹配结果、回捞结果分析、可回捞名单、回捞建议报告 |
| 特征价值分析 | 数据采购续约，说不清值不值 | 调用日志 + 入模清单 | 数据源价值指标表（KS / IV / PSI / 成本 / 增益）、低效数据源清单 |
它解决什么问题
上线前先在历史数据上跑仿真，看清阈值或规则改动会带来多少误杀漏杀，再决定是否上线；同时自动扫描规则冲突，把互相打架、长期零命中的规则挑出来。
它是怎么做的
01
圈定回测范围 选策略池 / 时间窗口，取真实决策数据与表现标签。
02
设定调整方案 界面改阈值、增删规则、多方案对比。
03
跑回测 基于历史重跑决策流程，算出「如果当时用新策略」的结果，天级压缩到小时级。
04
看结果与证据 对比漏判 / 错判 / 拦截提升 / 规则命中，每指标可点开看依据。
05
冲突检测 扫描规则关系，标出矛盾、被覆盖、零命中规则。
它会说明什么
如果把这条规则的阈值从 0.7 调到 0.65，这套策略池误杀率会变成多少、漏杀率会变成多少、多放进来的是哪一类客群；这个策略池里有两条规则在互相打架——一条在拒、一条在放，其中一条对优质客群的误杀偏高，右下角已标红提示；还有三条规则近半年零命中，可以考虑下线。
策略沙盘 Agent 围绕策略调整影响执行回测、对比与冲突识别，输出带证据的验证结果。
它解决什么问题
模型效果下滑时，自动建立效果基线并做特征层归因，定位是特征漂移、客群变化还是数据源降质，再给出可复现的修复方案与预期收益——不再靠一轮轮试错。
它是怎么做的
01
建立效果基线 算当前真实表现、对比历史基线、量化衰减。
02
特征层归因 逐特征评估分布漂移 / 区分度 / 缺失率 / 相关性，定位拖后腿的特征。
03
分群验证 按客群拆开看是全局还是集中某类。
04
特征剔除实验 量化去掉某特征效果变化，用实验而非推测确认归因。
05
给出修复建议 可替代特征方案 + 预期效果，证据包导出本地复现。
它会说明什么
模型这次衰减，主要是「设备评分」特征发生漂移，原因是近两个月 iOS 版本变了；平台用「行为生物特征」替换它，效果可回到某水平——结论来自一次真实跑通的实验，可复核；每个结论附三层证据：特征剔除实验、分群验证、原始明细，证据包可导出，于客户本地 100% 复现。
模型诊断 Agent 以效果基线、特征实验与分群验证形成模型衰减的可复核归因链。
它解决什么问题
用历史相似度匹配，把被误拒的优质客群接回来——以真实历史表现替代预测，输出可验证、可兜底的回捞名单与风险参考，让团队敢放也能收。
它是怎么做的
01
圈定候选拒单 从风控筛选结果中筛出「边缘拒单」，即被规则拒绝、但风险信号并不强的那批客群。
02
客群识别 对边缘拒单做客群分层，明确它们在哪些维度上与优质客群接近。
03
历史相似匹配 与历史通过且表现良好的客户做多维相似度匹配，看真实历史表现，全部数字来自历史观测，以观测值替代推断与估算。
04
回捞结果分析 针对每批候选拒单，给出相似度分布、可回捞规模与风险参考。
05
回捞建议报告 输出可回捞名单及风险参考报告，附匹配依据与适用边界，由业务人员据此判断与确认。
它会说明什么
这笔拒单与 1,247 个优质客户相似度超 0.85，那群人历史真实逾期率 4.2%——这是观测值，不是预测值；系统据此输出可回捞名单与风险参考报告，每份报告附匹配依据与适用边界；呈现的每一个数字，全部来自历史数据中的真实观测，以观测值替代推断、估算与黑盒，结论经得起核对。
拒绝回捞 Agent 从历史真实表现中寻找可验证的相似参照，形成可回溯的回捞名单与风险参考。
它解决什么问题
打通每个数据源的调用日志与入模清单，按源算清 KS / IV / PSI / 成本 / 增益，标出高成本低增益的源——让数据采购的每一分投入都算得清回报。
它是怎么做的
01
打通调用日志与入模清单 弄清每个数据源贡献了哪些特征、是否在模型中真正被使用。
02
按数据源归集特征使用 统计各源提供的特征数、实际入模特征数与使用率。
03
逐源计算价值指标 KS / IV（区分度）、PSI（稳定性）、增益（对模型的增量贡献），全部基于真实调用日志与入模清单算得。
04
生成价值跟踪表 各数据源的 KS / IV / PSI / 成本 / 增益一目了然，按月自动更新。
05
给出取舍建议 标出高成本·低增益源，量化砍掉后模型损失多少。
它会说明什么
哪些数据源真正产生增益、哪些常年低贡献却持续付费、哪两个源特征高度重合留一个就够；砍掉某源后模型精度会损失多少——这个数字基于真实调用日志与入模清单算得，有数据支撑；数据采购谈判时，业务团队手上终于有证据。
特征价值分析 Agent 把调用、入模、效果与成本放进同一条价值链，持续形成数据采购与治理证据。
应用场景
四类能力，覆盖业务全链路
四类能力嵌入业务全链路，在每一处现场持续发力，让风险链路在反复打磨中越用越强。
策略沙盘 上线前验证策略影响
信贷申请反欺诈
新欺诈手法出现，先在沙盘看清调整带来的全面影响，再决定是否上线。
授信通过率优化
对边缘放行做上线前预演，看清通过率与风险的此消彼长。
模型全生命周期
上线前用沙盘仿真验证，避免盲调。
模型诊断 衰减定位与修复证据
信用模型治理
评分卡衰减时定位根因、给出可复现修复证据，不靠反复试错。
模型全生命周期
上线后持续监测，衰减第一时间被发现。
拒绝回捞 边缘客群真实匹配
信贷申请反欺诈
被误拒的客户经相似度匹配与回捞验证，安全接回。
授信通过率优化
把本可做的边缘客群接回来，由「宁可错杀」转向「敢放也能收」。
特征价值分析 数据贡献与采购治理
数据源价值评估
定期算清每个数据源的真实贡献与成本，采购谈判以数据为依据，让数据采购的每一分投入都算得清回报。
看能力怎么用 业务现场各有差异，上传脱敏数据跑一次产品体验，即可看清能力如何落地。
进入产品体验 → 技术底座与部署
一体机部署，数据不出本地
以本地一体机为统一载体，连接行内数据与现有风控系统，通过统一数据底座、分析能力与 Agent 运行引擎，支撑四类风控智能应用。一体机与现有风控体系协同运行，专注分析与验证，让既有体系能力更强。
持续演进自主可控
Agent 能力、基础模型、平台功能三类升级持续迭代，让平台越用越强——升级只改「怎么分析」，客户既有策略、模型、变量与历史数据始终独立留存、随时可导出。
安全合规
数据独立隔离、权限分明、过程全程留痕，与现有风控体系安全规范对齐。
一体机统一承载数据与能力，让现有风控体系能力更强。