2. 授信业务基础
在进入决策树与决策表的具体设计之前，必须先建立对授信业务的整体认知。授信策略不是孤立存在的规则集合，它嵌入在授信生命周期之中，服务于风险识别与审批决策。理解业务全貌，才能判断哪些节点适合用决策树分流、哪些场景更适合用决策表做精细化组合判断。
一、核心原理：授信生命周期与策略介入点
授信生命周期指一笔信贷业务从客户触达到最终结清或核销的完整过程。典型阶段包括：贷前获客与申请、贷中审批与放款、贷后监控与催收。策略在其中的作用，是在每个阶段把“不确定的客户”转化为“可量化的风险判断”，并输出可执行的决策动作。
- 贷前阶段：策略负责准入判断、反欺诈识别、额度与定价建议。核心问题是“要不要做、做多少、以什么价格做”。
- 贷中阶段：策略负责审批规则、人工复核分流、合同与放款条件校验。核心问题是“是否批准、是否需要人工介入、放款前是否满足条件”。
- 贷后阶段：策略负责预警触发、额度调整、催收分层。核心问题是“客户是否变坏、是否需要提前干预”。
二、方法流程：风险要素与审批流程
授信风险要素通常归纳为五个维度，业内常称为“5C”或类似框架：借款人品格（Character）、还款能力（Capacity）、资本（Capital）、担保（Collateral）、环境条件（Condition）。在策略设计中，这些要素会被拆解为可采集、可计算的变量，例如征信查询次数、收入负债比、历史逾期天数、抵押物估值、行业景气度等。
审批流程一般遵循“申请受理 → 反欺诈 → 信用评估 → 规则审批 → 人工复核 → 终审放款”的链路。策略在其中的典型介入方式如下：
- 反欺诈策略：识别身份伪造、团伙申请、设备异常等，通常采用决策树快速命中高风险规则。
- 信用准入策略：基于征信与内部数据，判断是否满足基本准入门槛。
- 额度定价策略：结合风险评分与收入能力，输出建议额度与利率区间。
- 人工分流策略：对灰色地带客户，通过决策表组合条件决定是否转人工。
- 放款前校验策略：确认合同、担保、账户状态等条件满足后方可放款。
下面是一个简化的策略参数配置示例，用于说明审批节点中常见的规则输入：
{
"node": "credit_approval",
"inputs": {
"credit_score": 720,
"debt_ratio": 0.45,
"overdue_days_12m": 0,
"query_count_3m": 4,
"income_monthly": 18000
},
"rules": [
{"if": "credit_score >= 700 and overdue_days_12m == 0", "action": "pass"},
{"if": "debt_ratio > 0.6 or query_count_3m > 8", "action": "manual_review"},
{"if": "credit_score < 600", "action": "reject"}
]
}三、案例/场景：策略在授信中的作用与常见指标
假设某消费金融公司推出一款线上信用贷产品。贷前策略需要同时完成三件事：过滤欺诈申请、筛选合格客户、给出初始额度。若仅用一条“评分大于650即通过”的规则，会导致高风险客户漏过，也会让部分优质客户因额度不足而流失。引入决策树后，可以按“征信查询次数—历史逾期—收入负债比”逐层分流；引入决策表后，可以精确组合“是否首贷、是否有抵押、是否白名单”等条件，输出差异化审批结论。
策略效果评估依赖一套常见指标，如下表所示：
| 指标名称 | 含义 | 策略设计中的关注点 |
|---|---|---|
| 通过率 | 审批通过客户数 / 申请客户数 | 反映准入松紧，需与风险水平平衡 |
| 坏账率（逾期率） | 逾期客户数 / 放款客户数 | 核心风险指标，策略收紧通常降低坏账但牺牲通过率 |
| 人工复核率 | 转人工客户数 / 申请客户数 | 衡量策略自动化程度与运营成本 |
| 额度使用率 | 实际支用额度 / 授信额度 | 反映客户真实需求与额度合理性 |
| KS值 / AUC | 评分模型区分好坏客户的能力 | 评估策略底层评分卡的有效性 |
四、误区/复盘：常见策略设计陷阱
在实际授信策略设计中，初学者常陷入以下误区：
- 规则堆叠而非分层：把所有条件写进一条大规则，导致可读性差、维护困难。应优先用决策树做分层，再用决策表做层内精细化。
- 忽视样本偏差：仅用通过客户的数据训练策略，会低估拒绝客户中的真实风险。需要引入拒绝推断或小流量实验。
- 指标孤岛：只看坏账率不看通过率，或只看通过率不看逾期，都会导致策略失衡。
- 缺乏版本管理：策略频繁调整却无版本记录，出问题无法回溯。建议每次策略变更保留配置快照与生效时间。
复盘时建议按“目标—规则—数据—结果—偏差”五步走：先明确策略目标，再检查规则逻辑，然后核对数据质量，接着对比实际结果与预期，最后定位偏差原因并形成迭代项。这一流程与后续决策树、决策表的设计方法论一脉相承。