从早期支付风控的规则驱动到当前的模型驱动，风控建模的核心目标始终是提升欺诈识别的准确与召回，但伴随模型应用的深入，隐案带来的评估干扰问题逐渐凸显。早期风控依赖人工制定的明确规则拦截已知欺诈行为，该阶段样本标签体系简单，黑样本多为已核实的欺诈案例，隐案问题尚未显现；随着业务复杂度提升，机器学习模型开始广泛应用，模型对样本标签的依赖性显著增强，而运营或策略环节未及时打标的隐案（实际为欺诈却被未打标，被标记为白样本），逐渐成为影响模型评估与优化的关键障碍。
在支付风控实践中，黑样本数量本身相对偏少，而隐案的存在进一步加剧了样本标签的失真。这类未打标隐案的存在，会导致模型评估结果出现偏差，使得新模型的效果验证与策略优化陷入被动。为解决这一问题，基于模型分分布特征的阈值优化思路成为实践中的有效路径，其核心逻辑建立在模型分的区分度之上。
将模型分从高到低排序后，对已打标的黑样本与白样本进行分布可视化可发现，两类样本的分布呈现显著差异：黑样本的分布波峰集中在高分区间，白样本的分布波峰则靠近低分区间。这一分布特征直接证明了模型分的区分能力——分数越高，样本为黑样本的概率越高，反之则为白样本的概率越高。若以模型分作为策略拦截的核心依据，在高分区间设定阈值，能够实现黑样本的精准召回，同时减少对白样本的误拦。
在实际策略评估中，若直接采用线上通行的前20%阈值，该区间内仍可能存在未打标的隐案。这类隐案未被老模型触发拦截，也未经过人工打标确认，会干扰新老模型的效果对比。为此，选择更严格的前10%阈值作为评估基准，可有效规避这一问题。从数据分布来看，前10%区间处于更高分位，该区间内已打标黑样本的占比显著高于前20%区间，白样本占比则更低，隐案存在的概率大幅降低。这一区间的样本基本为历史策略已覆盖并核实的案例，能够为新老模型的效果对比提供无干扰的基准样本池。
通过绘制模型分分布直方图（横坐标为从高到低的模型分区间，纵坐标为样本占比），可直观呈现上述特征：黑样本曲线在高分区间呈峰值，白样本曲线则在低分区间呈峰值，前10%阈值线恰好落在黑样本占比最高、白样本占比最低的区间。基于这一数据支撑，采用前10%阈值进行模型评估，能够更客观地衡量模型的实际效果，为策略优化提供可靠依据，如图1所示。
Figure 1: 模型分分布直方图：黑样本与白样本的分数分布差异
在当前支付欺诈手段不断演化的背景下，隐案问题难以完全杜绝，通过优化评估阈值减少隐案干扰，成为提升风控建模有效性的重要实践方向。这一思路不仅依托于模型分的区分能力，更通过数据分布的客观特征实现了评估基准的精准定位，为风控模型的迭代优化提供了可落地的解决方案。