1. 课程导论：贷后预警的定义、坏样本归因的重要性、课程整体框架与学习目标
1.1 贷后预警：风险管理的“第二道防线”
贷后预警是指在贷款发放之后、贷款结清之前，通过持续监控借款人的还款行为、经营状况、信用变化及外部环境等动态数据，在风险实质性暴露之前识别出潜在违约信号，并触发相应处置流程的风险管理机制。它位于贷前审批与贷后催收之间，是信贷全生命周期中承上启下的关键环节。
与贷前评分卡侧重“准入”不同，贷后预警关注的是“存量”资产的质量变化。其核心目标可以概括为：早发现、早诊断、早处置。
核心认知： 贷后预警不是“事后诸葛亮”，而是通过数据驱动的信号捕捉，将风险处置窗口从“逾期后”前移至“逾期前”，从而大幅降低损失。
1.2 坏样本归因：从“知道谁坏了”到“知道为什么坏”
在贷后预警体系中，坏样本归因是指对触发预警信号且最终确认为不良贷款的样本，进行系统性、结构化的原因追溯与分析。它回答的是“为什么这个客户会变坏”这一核心问题。
坏样本归因的重要性体现在三个层面：
| 层面 | 具体价值 | 业务影响 |
|---|---|---|
| 策略优化 | 识别预警规则的有效性，剔除噪音规则，优化阈值 | 提升预警准确率，减少无效预警对运营资源的消耗 |
| 模型迭代 | 发现模型未捕捉到的风险特征，指导特征工程 | 增强模型对新型欺诈或共债风险的识别能力 |
| 业务洞察 | 揭示行业、区域、产品维度的风险分布规律 | 辅助信贷政策调整与产品设计优化 |
常见误区： 很多团队只关注“预警覆盖率”和“预警准确率”两个指标，却忽略了归因分析。没有归因的预警，就像只报警不破案，无法形成“监测-分析-优化”的闭环。
1.3 课程整体框架与学习目标
本课程共分为 30 个章节，按照“基础认知 → 数据准备 → 方法体系 → 实战应用 → 效果评估”的逻辑递进展开。整体框架如下：
1.4 学习目标与预期收获
完成本课程后，学员应具备以下核心能力：
- 认知层面： 建立贷后预警与坏样本归因的完整知识体系，理解归因分析在风控闭环中的战略位置。
- 技术层面： 掌握至少 3 种归因分析方法（统计对比、树模型特征重要性、SHAP 值分解），并能用 Python 实现。
- 业务层面： 能够独立完成一次完整的坏样本归因分析，输出可落地的策略优化建议。
- 思维层面： 培养“数据驱动+业务理解”的双轨归因思维，避免纯技术导向或纯经验导向的偏误。
学习建议： 本课程每章都配有代码示例和数据集，建议学员边学边练。归因分析是一门“动手”的科学，只看不练很难真正掌握。