一句话定义：变化点检测（Change Point Detection，CPD）是从按时间排列的数据里，找出统计分布或规律发生突变、并且之后持续改变的时间点。
原理与比方：想象你每天记录通勤时间，过去半年稳定在 40 分钟。某天开始，连续两周变成 65 分钟。变化点检测要回答的不是“今天为什么慢”，而是“从哪一天起，通勤时间整体上了一个台阶”。做法通常是：把序列切成前后两段，比较两段的均值、方差、分布等；如果差异足够大、持续足够久，就判定存在变化点。流式场景还要在线判断：新来的一个点是否让“当前状态”不再成立。常见思路有滑动窗口统计、累积和、贝叶斯在线变点等。
和相邻概念的区别：
| 概念 | 关注点 | 例子 |
|---|---|---|
| 异常检测 | 个别点是否离群 | 某天通勤 3 小时，第二天恢复 |
| 变化点检测 | 哪个时刻起状态持续改变 | 从某天起通勤稳定多 25 分钟 |
| 趋势分析 | 整体向上还是向下 | 通勤时间一年内缓慢上升 |
| 概念漂移 | 模型输入与输出的关系变了 | 用户点击偏好迁移，旧模型失效 |
变化点检测常被当作概念漂移的“报警器”：先发现分布变了，再判断模型是否要更新。
对从业者的意义：线上监控、A/B 实验、用户留存、设备传感、金融风控、模型监控都会用到它。它帮团队把问题从“指标现在很差”推进到“指标从某时某刻开始变差”，更利于归因、回滚和重训模型。做流式检测时，要特别小心季节性、周期性和噪声，否则会把正常波动误判成变化点。具体算法阈值与实现，以所用工具或官方文档为准。
对普通人的意义：体检指标连续多年稳定后突然持续升高，健身进入平台期，家庭开支结构改变，都可以用这套思路观察：别只看单点，也别只看大趋势，先找“分界线”。