1. 课程导入
一、为什么需要“融合决策”
在真实的信贷审批、反欺诈、营销响应、额度定价等业务场景中，纯模型评分与纯业务规则往往各自存在明显短板。模型评分擅长从高维数据中捕捉统计规律，输出连续风险概率，但在冷启动、样本偏移、监管解释和极端客群上容易失稳；业务规则擅长表达确定性约束、合规底线与专家经验，却难以覆盖复杂交互，且规则数量膨胀后维护成本极高。融合决策的核心，就是把“概率化判断”与“确定性约束”组织成一条可解释、可监控、可迭代的决策链路。
本课程所说的模型评分与业务规则融合决策，是指以模型输出的分数或概率作为主要风险信号，以业务规则作为准入、拦截、分流、调额和人工复核的控制层，通过策略编排、阈值管理、优先级仲裁和效果归因，形成稳定可上线的自动化决策系统。它不是简单地把规则和模型相加，而是明确“谁先谁后、谁覆盖谁、谁解释谁”。
一句话定义：融合决策 = 模型提供排序与概率，规则提供边界与控制，策略引擎负责编排、仲裁与可追溯。
二、学习目标
完成本课程后，你应当能够独立完成从需求拆解到策略上线的完整闭环。具体目标包括：
- 理解模型评分、规则引擎、决策流三者的职责边界与协作方式；
- 掌握评分卡、概率校准、分数分箱与规则条件表达的基本方法；
- 能够设计“规则前置拦截 + 模型评分分流 + 规则后置调优”的典型策略链路；
- 能够使用优先级、互斥、覆盖、灰度等机制处理规则冲突；
- 能够建立离线回放、在线监控、AB实验与效果归因的评估体系；
- 能够识别并规避常见误区，如阈值拍脑袋、规则堆叠、样本泄漏与监控缺失。
三、整体课程框架
课程共30章，按“原理—方法—工程—实战—复盘”递进组织。前段建立概念与数学基础，中段进入策略编排与工程实现，后段通过完整案例串联上线、监控与迭代。
| 阶段 | 核心内容 | 产出能力 |
|---|---|---|
| 基础认知 | 融合决策定义、评分与规则差异、决策链路 | 能画出业务决策流 |
| 方法流程 | 评分校准、分箱、阈值、规则表达、优先级仲裁 | 能设计策略表 |
| 工程实现 | 规则引擎、决策表、特征服务、离线回放 | 能落地可执行策略 |
| 实战案例 | 信贷审批、反欺诈、额度定价、营销分流 | 能端到端交付 |
| 监控复盘 | 指标监控、AB实验、归因分析、规则治理 | 能持续迭代优化 |
四、核心原理：三层决策结构
融合决策通常可抽象为三层：数据与特征层、模型评分层、规则策略层。数据层保证输入一致性与时效性；模型层输出分数、概率或风险等级；规则层决定最终动作，如通过、拒绝、转人工、降额、加验。三层之间通过标准接口解耦，才能支持独立迭代与快速回滚。
决策链路示例：
输入请求
-> 特征计算（实时/离线）
-> 模型评分（score / prob / rank）
-> 规则前置（黑名单、合规、硬拦截）
-> 规则后置（阈值分流、额度调整、人工复核）
-> 输出动作 + 原因码 + 版本号
其中原因码和版本号是工程上最容易被忽视、却对解释与追责最关键的两个字段。没有原因码，业务无法复盘；没有版本号，实验无法归因。
建议在策略设计初期就固定“动作字典”和“原因码字典”，例如：PASS、REJECT、REVIEW、DOWNGRADE、STEP_UP。字典稳定后，监控、报表和实验分析才能复用。
五、方法流程：从需求到上线
一个可复用的融合决策流程通常包含七步：
- 业务拆解：明确目标指标（通过率、坏账率、召回率、人工成本）与约束条件（合规、额度、时效）。
- 数据准备：确定样本口径、观察期与表现期，避免样本泄漏。
- 模型评分：训练评分模型并做概率校准，输出可解释分数。
- 规则梳理：把专家经验、监管要求和历史策略转成条件表达式。
- 策略编排：确定规则优先级、互斥关系、覆盖关系与默认动作。
- 离线回放：用历史样本模拟新策略，评估通过率、坏账率与命中分布。
- 上线监控：灰度发布，监控分数漂移、规则命中率、动作分布与业务指标。
六、案例场景：信贷审批中的融合决策
假设某消费信贷产品需要审批一笔申请。纯模型方案可能给出“违约概率0.08”，但业务要求：命中内部黑名单必须拒绝；近30天多头申请超过8次必须转人工；评分低于550且无社保记录必须拒绝。此时融合策略可以这样组织：
规则1（硬拦截）：命中黑名单 -> REJECT
规则2（硬拦截）：多头申请>8 -> REVIEW
规则3（模型分流）：score < 550 且 无社保 -> REJECT
规则4（模型分流）：550 <= score < 650 -> REVIEW
规则5（默认动作）：score >= 650 -> PASS
优先级：规则1 > 规则2 > 规则3 > 规则4 > 规则5
这个例子的关键在于：规则不是模型的补充说明，而是与模型共同构成决策空间。硬拦截优先于模型分流，模型分流优先于默认动作，从而保证合规底线不被概率判断突破。
七、常见误区与复盘要点
误区一：把规则当模型用。规则适合表达确定性和边界，不适合替代概率排序。规则过多会导致策略脆弱、维护困难。
误区二：阈值拍脑袋。阈值应基于业务目标、成本矩阵和离线回放确定，而不是凭经验直接设定。
误区三：忽视监控。模型会漂移，规则会失效，没有监控的融合策略等于“上线即失控”。
误区四：缺少版本与原因码。无法归因就无法迭代，实验结论不可信。
复盘时应重点检查：动作分布是否异常、规则命中率是否突变、模型分数分布是否偏移、人工复核量是否超载、业务指标是否与离线预期一致。只有把“策略效果”拆解到“规则贡献”和“模型贡献”，融合决策才真正可控。
八、实战价值
掌握融合决策能力，意味着你能在业务、算法与工程之间建立共同语言：业务方看到的是可解释的动作与原因码，算法方看到的是评分与阈值，工程方看到的是可配置、可回放、可灰度的策略链路。它直接提升三类价值：风险可控（合规底线不被突破）、效率提升（自动化分流减少人工）、迭代加速（策略与模型解耦，快速实验）。
接下来的章节将围绕评分校准、规则表达、策略编排、离线回放、在线监控与典型案例逐步展开。请先建立“模型负责排序、规则负责边界、引擎负责编排”的整体认知，这将是贯穿全课程的主线。