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完成分析验证。
能力总览
四个能力，四类问题，一套底座
四大能力看似相互独立，实则共享同一数据底座与分析引擎，并串联成一条彼此衔接的能力链路：策略沙盘的验证结论指向模型诊断，模型诊断的发现反馈至特征价值分析，拒绝回捞的灰度结果则回流为新的验证样本。
| 能力 | 适用场景 | 输入 | 输出 |
|---|---|---|---|
| 策略沙盘 | 准备调整策略，但无法预判影响 | 历史决策数据、待调整规则/阈值 | 调整后误杀率、漏杀率、影响客群及规则风险提示 |
| 模型诊断 | 模型效果出现下滑，但难以定位原因 | 入模清单、决策结果与表现标签 | 衰减归因结论、失效特征清单、替代方案及可复现证据包 |
| 拒绝回捞 | 怀疑存在误杀，但不敢贸然放宽准入门槛 | 历史拒单记录与优质客群表现数据 | 相似度匹配结果、回捞效果分析、可回捞名单及回捞建议报告 |
| 特征价值分析 | 数据采购续约阶段，但难以量化其实际价值 | 调用日志与入模清单 | 数据源价值指标表（KS / IV / PSI / 成本 / 增益）及低效数据源清单 |
它解决什么问题
上线前先基于历史数据开展仿真回测，量化阈值或规则调整所引发的误杀与漏杀变化，再据此决策是否上线；同时自动扫描规则冲突，主动识别并提示逻辑冲突、相互覆盖及长期零命中的规则。
它是怎么做的
01
圈定回测范围 选定策略池与时间窗口，提取真实决策数据与表现标签。
02
设定调整方案 通过界面调整阈值、增删规则，支持多方案并行对比。
03
跑回测 基于历史数据重跑新策略，推演其产出结果，将评估周期从天级压缩至小时级。
04
看结果与证据 对比漏判、错判、拦截提升与规则命中等指标，每项指标均可逐层展开查看依据。
05
冲突检测 扫描规则间关联关系，标注存在逻辑矛盾、被覆盖及长期零命中的规则。
它会说明什么
若将该规则的阈值由 0.7 调整为 0.65，策略沙盘将量化该策略池调整后的误杀率与漏杀率变化，并识别受影响客群的结构特征；同时提示策略池内存在两条逻辑冲突的规则——一条拒绝、另一个却是通过，其中一条对优质客群的误杀偏高，已在右下角标红预警；此外还有三条规则近半年零命中，建议下线。
策略沙盘 Agent 围绕策略调整所产生的影响，执行回测、对比与冲突识别，并输出附带证据的验证结论。
它解决什么问题
模型效果下滑时，自动建立效果基线并开展特征层归因，定位衰减源于特征漂移、客群变化或数据源降质，进而给出可复现的修复方案与预期收益——无需再依赖一轮轮试错。
它是怎么做的
01
建立效果基线 计算当前真实表现，对比历史基线，量化效果衰减。
02
特征层归因 逐一评估各特征的分布漂移、区分度、缺失率及相关性，定位拉低模型效果的特征。
03
分群验证 按客群拆分，识别问题是全局性还是集中于特定客群。
04
特征剔除实验 量化剔除某特征后的效果变化，以实验而非推测确认归因。
05
给出修复建议 给出可替代特征方案及预期效果，可导出并于本地复现。
它会说明什么
本次模型衰减主要源于「设备评分」特征漂移，原因在于近两个月 iOS 版本变更；平台以「行为生物特征」替换该特征，效果可恢复至某水平——该结论经一次真实实验验证，可复核；每个结论均附三层证据：特征剔除实验、分群验证与原始明细，证据包可导出，并于客户本地 100% 复现。
模型诊断 Agent 依托效果基线、特征剔除实验与分群验证，形成可复核的模型衰减归因链。
它解决什么问题
基于历史相似度匹配，将误拒的优质客群重新纳入授信——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，使业务团队既敢放宽准入，也能在风险抬头时稳妥收回。
它是怎么做的
01
圈定候选拒单 从风控筛选结果中筛选出「边缘拒单」，即被规则拒绝、但风险信号并不强的客群。
02
客群识别 对边缘拒单开展客群分层，明确其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开展多维相似度匹配，比对真实历史表现；全部数值均源自历史观测，以观测值替代推断与估算。
04
回捞结果分析 针对各批次候选拒单，输出相似度分布、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
该笔拒单与 1,247 个优质客户的相似度超过 0.85，该群体历史真实逾期率为 4.2%——此为观测值，而非预测值；系统据此输出可回捞名单与风险参考报告，每份报告均附匹配依据与适用边界；所呈现的每一项数值，均源自历史数据中的真实观测，以观测值替代推断、估算与黑盒式判定，结论经得起核对。
拒绝回捞 Agent 依托历史真实表现与相似度匹配，形成可验证、可回溯的回捞名单与风险参考。
它解决什么问题
打通各数据源的调用日志与入模清单，按数据源量化 KS / IV / PSI / 成本 / 增益，识别高成本低增益的数据源——使数据采购的每一项投入都能清晰衡量回报。
它是怎么做的
01
打通调用日志与入模清单 明确每个数据源贡献了哪些特征、是否真正纳入模型并被使用。
02
按数据源归集特征使用 统计各数据源提供的特征数量、实际入模特征数及使用率。
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计算得出。
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 识别高成本低增益的数据源，量化停用后模型效果的损失。
它会说明什么
明确哪些数据源真正产生增益、哪些长期低贡献却持续付费、哪两个源特征高度重合以至保留其一即可；停用某数据源后，模型精度将损失多少——该数值基于真实调用日志与入模清单核算得出，具备数据支撑；在数据采购谈判中，业务团队终获可量化的决策依据。
特征价值分析 Agent 将调用、入模、效果与成本纳入同一条价值链，持续沉淀数据采购与治理的可量化证据。
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。