数据漂移不是一个报警

生产监控出现 PSI、KS 或分数分布报警时，最危险的动作是立刻重训。变化可能来自真实用户行为，也可能只是字段改名、时区偏移、采样策略变化或关联表重复。若根因在数据管道，重训只会让模型学习错误。

先给漂移分类

输入分布变化属于协变量漂移，例如地区构成或设备比例改变；标签比例变化属于先验漂移；相同输入与标签关系发生变化，才是概念漂移。三者可能同时出现，但对应动作不同。

还要单列“管道漂移”：缺失值填充变化、枚举映射错误、单位转换、特征延迟或训练与服务代码不一致。这类问题不是世界变了，而是观测世界的方式变了，应优先恢复数据契约。

验证报警是否可信

先核对窗口大小、样本量、季节性和多重检验。PSI 依赖分箱，KS 对大样本极其敏感；统计显著不代表影响重要。应同时报告变化幅度、置信区间和受影响流量，而非只展示红色状态。

接着检查数据新鲜度、来源版本、空值率、唯一值数、单位和时间戳。将报警窗口与前一稳定窗口按同一规则重算，并抽取原始记录做逐字段对照。标签存在延迟时，不要拿尚未成熟的标签判断模型失效。

• 数据契约——字段、类型、单位、时区和关联关系是否改变。
• 统计上下文——样本量、季节性与业务事件是否能解释变化。
• 影响范围——变化覆盖多少流量、哪些渠道和用户群。

沿决策链定位影响

按“原始输入 → 清洗字段 → 特征 → 模型分数 → 阈值动作 → 延迟标签”逐层比较。先找最早出现异常的节点，再按渠道、地区、客户端版本和用户生命周期切片。全局变化常由一个新增渠道驱动，平均值会掩盖它。

同时检查覆盖率、校准误差和阈值两侧的样本，而不只看 AUC。特征重要性只能帮助排序线索，不能证明根因；需要通过删除异常特征重放、固定人群对比或人工样本审阅验证推断。

选择与根因匹配的处置

若是管道故障，立即回滚或旁路异常特征，并回补受影响数据；若只是输入构成变化但条件关系稳定，可重加权、重新校准或调整阈值。标签比例变化需要重新评估容量与成本，不一定需要改模型。

确认概念漂移后，才考虑补充近期标注、加入新特征并重训。新版本先做时间外验证和受影响分群验证，再通过 champion–challenger 或小流量发布。每次处置都记录触发证据、结果和撤销条件。

• 修管道——回滚字段或特征逻辑，并回补受影响数据。
• 调决策——重新校准、调整阈值或限制适用人群。
• 改模型——补充近期样本，在确认概念漂移后重训。

漂移监控告诉你“现在与过去不同”，故障排查才回答“这种不同是否值得行动”。