在风控建模中，全局特征重要性是一个被广泛使用的指标，但把这个指标不加区分地应用在反欺诈场景里，需要特别注意它的局限性。
一、全局特征重要性为0，到底是什么"0"
全局特征重要性的本质，是算法在全量样本空间上的平均贡献度（比如XGBoost/LightGBM的gain/cover、SHAP的全局均值）。这个指标在信用风控场景下是有效的，但在反欺诈场景里有两个根本性的局限。
1. 长尾风险的稀释效应
欺诈坏样本本身是万级甚至十万分之一的极低占比，而"头部极黑样本"（专业黑产团伙、定向攻击流量），更是长尾里的长尾。这些样本的特征区分度，会被海量的正常样本完全稀释，在全局计算里直接被抹平为0贡献。
2. 单特征评估的盲区
算法给出的单特征重要性，无法完全覆盖特征的交叉组合价值。很多单特征全局无区分度的变量，和其他特征组合后，会成为精准圈定黑产的强规则——比如"设备指纹无异常+IP为境外代理+注册时长小于3分钟"，单看IP代理这个特征，全量占比极低，全局重要性近乎0，但组合后是黑产的核心识别维度。
“头部极黑样本的特征重要性”，对应的是子群体/局部特征重要性（比如黑样本分层SHAP、攻击时段样本分组贡献、单样本特征贡献度）。这些全局0分的特征，在极黑样本里，往往是区分正常用户和黑产的唯一强信号——它们的阈值边界，就是黑产攻击的红线。
二、信用风控与欺诈风控在策略调整上的本质差异
两类风控的核心目标不同，直接决定了特征的评估逻辑完全不一样。
| 维度 | 信用风控（信贷场景） | 欺诈风控（反欺诈场景） |
|---|---|---|
| 核心目标 | 风险定价，平衡通过率与坏账率 | 风险兜底，零漏判优先，对抗黑产攻击 |
| 风险特征 | 慢变量、渐进式、有稳定统计规律 | 快变量、突变式、对抗性、无历史规律 |
| 策略调整逻辑 | 可基于全局表现下调冗余策略，优化客群结构，因为信用风险不会瞬时大规模爆发 | 不能仅凭全局无拦截就下调或删除策略，拦截量突增是黑产攻击的核心感知信号 |
| 0重要性特征的价值 | 长期全局无贡献、无业务兜底价值的，可逐步剔除，优化模型效率 | 哪怕99天无拦截，只要1天能拦住一次团伙攻击，就具备不可替代的业务价值，是攻击感知的触角和风险兜底的安全垫 |
三、落地层面：这类0重要性特征怎么处理才符合风控逻辑
业务逻辑驱动的规则特征是填补模型盲区的关键，这是处理这类特征的核心原则。实操中要遵循先业务校验，再数据校验的优先级。
1. 先做特征池拆分，两套评估体系
把信用风险特征池和反欺诈特征池完全分开，信用池可以用全局特征重要性做核心筛选指标，反欺诈池不能只用全局重要性做剔除标准。
2. 业务逻辑一票否决制
只要特征满足以下任意一条，哪怕全局重要性为0，也不能剔除：
- 有明确的监管合规、业务兜底要求
- 对应历史上黑产的经典攻击手法，具备对抗感知价值
- 是风险边界的补位特征，能覆盖模型拟合不到的小众极端风险
3. 再做子群体有效性校验
对业务上无明确兜底价值的0重要性特征，不要直接删除，而是先做黑样本分层、攻击时段分组、交叉组合验证，确认它在所有风险子群体里均无区分度、无组合贡献，再纳入剔除候选。
4. 最终剔除的唯一标准
业务上无兜底价值 + 全量样本 + 所有风险子群体均无区分度 + 无交叉组合贡献，四者同时满足，才可以剔除。