2. 授信策略基础
在讨论灰度发布与回退机制之前，必须先建立对“授信策略”本身的共同语言。灰度发布的对象不是一段普通代码，而是一组会影响资金安全、客户体验与合规边界的决策规则。如果团队对策略的定义、类型、生命周期和衡量指标理解不一致，灰度就很容易退化为“随机放量”，回退也会变成“拍脑袋关停”。本节从工程与风控双重视角，梳理授信策略的基础知识，为后续的发布与回退设计打下概念地基。
一、核心原理：授信策略到底是什么
授信策略是金融机构在特定业务场景下，对“是否给客户授信、给多少额度、以什么价格和期限给、后续如何调整”等问题所形成的一套可执行决策规则。它通常由三部分构成：输入数据（客户身份、征信、行为、设备、外部名单等）、决策逻辑（规则、评分卡、模型、额度公式、定价矩阵）、输出动作（通过/拒绝/人工复核、额度、利率、期限、贷后动作）。
从系统视角看，授信策略不是一份静态文档，而是一个可版本化、可配置、可观测的决策服务。它既包含业务专家编写的规则，也包含算法团队训练的模型，还包含运营人员配置的名单与阈值。灰度发布与回退机制之所以复杂，正是因为策略的变更可能同时涉及规则、模型、参数和名单四类资产。
关键认知：授信策略的“正确性”不是二值的。一个策略在统计上可能提升通过率，但在特定客群上可能造成逾期上升；在离线指标上表现良好，在线却因数据延迟而失效。因此，策略发布必须依赖灰度与回退来管理不确定性。
二、授信策略的主要类型
按决策阶段和业务目标，授信策略通常分为以下几类。理解类型差异，有助于设计不同的灰度粒度和回退条件。
| 类型 | 核心问题 | 典型输出 | 灰度关注点 |
|---|---|---|---|
| 准入策略 | 是否允许进入授信流程 | 通过/拒绝/复核 | 拒绝率、误拒率、合规名单 |
| 额度策略 | 给多少授信额度 | 额度金额、期限 | 额度分布、使用率、风险敞口 |
| 定价策略 | 以什么利率和费用授信 | 利率、费率 | 风险定价覆盖、客户接受度 |
| 贷中调额策略 | 存量客户如何提额/降额 | 额度调整动作 | 调额幅度、资产质量变化 |
| 贷后策略 | 逾期后如何催收与处置 | 催收队列、减免方案 | 回收率、投诉率、合规性 |
此外，按技术形态还可分为规则策略、评分卡策略、机器学习模型策略以及混合策略。灰度发布时，规则类变更通常影响面清晰、回退快；模型类变更影响面隐蔽、回退需同时考虑模型版本与特征版本；混合策略则要求发布单元能够按“规则+模型”组合进行切流。
三、授信策略的生命周期
一个策略从想法到退役，通常经历六个阶段。灰度发布与回退机制主要作用于“发布”和“监控”阶段，但其设计必须向前兼容“开发与验证”，向后衔接“退役与归档”。
- 需求与设计：明确业务目标、目标客群、风险底线和合规约束，形成策略说明书。
- 开发与离线验证：编写规则或训练模型，在历史样本上回测通过率、逾期率、KS、AUC等指标。
- 仿真与影子运行：在不影响真实决策的前提下，用线上流量跑新策略，对比新旧策略差异。
- 灰度发布：按客群、渠道、地域或随机比例逐步放量，持续监控核心指标。
- 全量与监控：灰度验证通过后全量生效，进入常态化监控与定期复盘。
- 退役与归档：策略被替代后，保留版本、配置、监控数据和决策日志，满足审计与追溯要求。
工程提示：策略生命周期中的“影子运行”是灰度前最重要的安全垫。它能在零业务风险下暴露数据缺失、特征漂移和逻辑冲突，显著降低灰度阶段的回退概率。
四、常见风控指标与业务目标
灰度发布是否继续、是否回退，最终要由指标说话。授信策略常用的风控指标可分为风险类、通过类、资产类和体验类四组。
- 风险类：逾期率（DPD30/60/90）、坏账率、KS、AUC、PSI（稳定性指标）。
- 通过类：通过率、拒绝率、人工复核率、误拒率、误授率。
- 资产类：授信额度、支用率、平均借款金额、风险敞口、风险调整后收益。
- 体验类：审批时长、转化率、投诉率、重复申请率。
业务目标通常不是单一指标最优，而是在风险可控前提下追求规模与收益的平衡。例如，消费信贷可能追求“通过率提升3%且逾期率不上升超过0.2个百分点”；小微经营贷可能更关注“额度使用率与首贷户占比”。灰度发布前必须把这些目标转化为可监控的阈值和回退条件。
# 示例：灰度阶段核心监控指标配置（YAML 片段）
metrics:
- name: approval_rate
direction: up
warning: 0.05 # 相对基线上升5%触发预警
rollback: 0.10 # 上升10%触发回退评估
- name: dpd30_rate
direction: up
warning: 0.10
rollback: 0.20
- name: psi_score
direction: up
warning: 0.10
rollback: 0.25
- name: manual_review_rate
direction: up
warning: 0.15
rollback: 0.30
五、案例与场景：一次额度策略灰度的指标解读
某现金贷产品计划将新客平均额度从3000元提升至3500元，采用10%流量灰度。上线首日监控发现：通过率基本持平，支用率上升8%，但DPD30在灰度组比对照组高0.35个百分点，同时PSI达到0.18。此时不能简单因为“支用率上升”就继续放量，也不能因为“逾期略升”就立即全量回退。
正确的做法是：先检查灰度组与对照组的客群分布是否因分流不均产生偏差；再下钻到额度使用率最高的子客群，确认逾期上升是否集中在该群体；同时评估PSI升高是否由新额度导致评分分布偏移。若确认风险上升集中在高支用低评分客群，可先对该子客群回退额度策略，其余客群继续灰度。这正是“精细化回退”而非“一刀切回退”的典型场景。
常见误区：把灰度当成“小流量全量”。如果灰度组与对照组在渠道、地域、客群结构上不可比，指标差异可能来自分流偏差而非策略本身。灰度设计必须保证对照组与实验组的可比性，否则回退决策会失真。
六、复盘：从基础概念到发布设计的衔接
本节的核心结论可以归纳为三点。第一，授信策略是数据、逻辑与动作的组合，具有版本化和可配置属性，这是灰度发布的前提。第二，策略类型决定灰度粒度：准入策略适合按客群切流，额度与定价策略适合按比例或分层切流，模型策略还需关注特征版本。第三，生命周期中的影子运行与指标监控是回退机制的依据，没有可观测指标就没有可靠回退。