一句话定义：概念漂移（Concept Drift）指的是数据背后的"输入→输出"规律随时间发生变化，导致原本训练好的模型越来越不准。
模型学到的本质上是一个映射：给定输入 X，预测输出 y。概念漂移说的是 P(y|X) 这个映射本身变了——不是样本变多，也不是代码出了 bug。
打个比方：你是个老司机，凭"这个路口没摄像头就能右转"的经验开了三年车，一直没事。今年交规改了，同样的路口，正确做法变了。你看到的路况没变，但"该怎么做"变了。模型也是如此：它记的不是路况本身，而是"遇到这种情况该怎么办"的规则，规则一改，经验就过期。
常见诱因：用户行为变化、竞品或监管变化、经济环境变化、作弊者换了手法、数据采集口径调整。
和相邻概念的区别
| 概念 | 变的是什么 | 例子 | |
|---|---|---|---|
| 数据漂移／协变量漂移（Data Drift / Covariate Shift） | 输入分布 P(X) 变了，映射 P(y\ | X) 没变 | 用户从年轻人变成中老年为主，但"年龄大的人更爱买保健品"这条规律仍在 |
| 标签漂移（Label Shift） | 类别比例 P(y) 变了 | 欺诈样本占比从 1% 涨到 5% | |
| 概念漂移 | 映射 P(y\ | X) 变了 | 同样特征的客户，去年算优质，今年容易违约 |
按变化形态还常分为：突变型（一次事件打断规律）、渐变型（慢慢挪）、周期型（每年都会回来）、反复型（来回切换）。区分形态很关键——周期型只需要模型"记得住"，突变型则要求快速响应甚至立刻回滚。
对从业者和普通人的意义
从业者应该把模型当成有保质期的资产，而不是上线即完工：
1. 持续监控：不只看准确率，还要盯输入分布和预测分布是否偏移。真实标签常常延迟到达（比如贷款要几个月后才知道还不还得上），需要先用替代指标顶着。
2. 设计更新机制：滑动窗口重训、在线学习、给近期样本更高权重、模型集成与自动切换，都是常见做法。
3. 留好兜底：阈值告警、人工复核、A/B 对比、随时回滚。别让一个过期模型悄悄替你放款、发券、封号。
对普通人来说，概念漂移解释了很多"上次还好用，这次怎么这么离谱"的体验：推荐变味、风控误伤、翻译腔变重。它未必是系统坏了，而是世界变了、模型还没跟上。具体实现和指标口径各团队差异很大，以官方文档和实际监控数据为准。