3. 预警策略体系架构：规则引擎、模型评分、决策流、预警等级划分（红/橙/黄）
贷后预警策略体系是坏样本归因的核心执行层。一个完整的预警体系由规则引擎、模型评分、决策流和预警等级划分四大模块构成。它们协同工作，将原始数据转化为可操作的预警信号，为后续的归因分析提供结构化输入。
3.1 规则引擎：硬性触发与阈值拦截
规则引擎是预警体系的第一道防线，负责执行基于业务逻辑的硬性规则。这些规则通常由风控专家根据历史坏样本特征、监管要求或业务经验设定，具有明确的触发条件和阈值。
- 静态规则：基于客户静态属性，如“年龄 < 20 岁”、“所在行业为高敏行业”、“历史逾期天数 > 30 天”。
- 动态规则：基于客户行为变化，如“近 7 天查询次数 > 5 次”、“近 3 天消费金额下降 50%”、“设备 ID 在 24 小时内关联 3 个以上不同账户”。
- 组合规则：多个条件通过逻辑运算符（AND/OR/NOT）组合，如“（近 7 天查询次数 > 3）AND（近 3 天消费金额下降 > 30%）”。
归因价值：规则引擎产生的预警事件可直接映射到具体的业务行为或客户特征，为坏样本归因提供最直接的“是什么”证据。例如，触发“设备关联过多账户”规则的样本，其坏账原因大概率与欺诈或多头借贷相关。
3.2 模型评分：概率预测与风险排序
模型评分模块利用机器学习模型（如 XGBoost、LightGBM、神经网络）对客户未来发生逾期或违约的概率进行预测。与规则引擎的“是/否”判断不同，模型评分输出一个连续的风险分数，用于对客户进行精细化排序。
| 维度 | 规则引擎 | 模型评分 |
|---|---|---|
| 输出类型 | 离散（触发/未触发） | 连续（0~1000 分） |
| 解释性 | 高（规则逻辑透明） | 中（依赖 SHAP/LIME 等工具） |
| 覆盖范围 | 已知风险模式 | 潜在复杂风险模式 |
| 更新频率 | 低（人工调整） | 高（模型迭代） |
| 归因贡献 | 直接归因于规则条件 | 归因于模型特征重要性 |
3.3 决策流：规则与模型的串联与并联
决策流定义了规则引擎和模型评分如何组合执行。常见的决策流模式包括：
- 串联模式（漏斗式）：先执行规则引擎，通过后再进入模型评分。适用于计算资源有限或需要先过滤明显坏样本的场景。
- 并联模式（并行式）：规则引擎和模型评分同时执行，取两者的综合结果。适用于需要全面评估风险的场景。
- 混合模式：部分规则作为“一票否决”前置拦截，其余规则与模型评分并联。这是工业界最常用的模式。
最佳实践：建议将“一票否决”类规则（如命中黑名单、命中欺诈团伙）放在决策流最前端，以节省计算资源并降低误伤率。模型评分则用于对通过基础规则筛选的客户进行更精细的风险分层。
3.4 预警等级划分（红/橙/黄）
根据规则触发情况和模型评分结果，将预警信号划分为三个等级，以便采取差异化的处置策略。
| 预警等级 | 触发条件 | 处置策略 | 归因优先级 |
|---|---|---|---|
| 🔴 红色预警 | 命中一票否决规则 或 模型评分 > 900 分 | 立即冻结额度、人工外呼核实、启动紧急催收 | 最高（优先归因） |
| 🟠 橙色预警 | 命中 2 条以上动态规则 或 模型评分 700~900 分 | 降低额度、增加监控频率、发送提醒短信 | 高（重点归因） |
| 🟡 黄色预警 | 命中 1 条动态规则 或 模型评分 500~700 分 | 加强监控、触发二次验证、纳入观察名单 | 中（常规归因） |
注意：预警等级划分不是静态的。随着坏样本归因分析的深入，可能需要调整各等级的阈值或触发条件。例如，如果发现大量橙色预警样本最终变为坏账，则应考虑将部分橙色规则升级为红色规则。
3.5 架构协同：从数据到归因的完整链路
预警策略体系架构的四个模块并非孤立运行，而是形成一个从数据输入到归因输出的完整链路：
- 数据层：采集客户行为数据、交易数据、外部征信数据等。
- 规则层：规则引擎对数据进行实时或准实时的硬性判断。
- 模型层：模型评分对数据进行概率预测。
- 决策层：决策流根据业务策略组合规则和模型结果。
- 分级层：输出红/橙/黄预警等级，并触发相应处置动作。
- 归因层：将预警事件、规则命中记录、模型特征重要性等信息汇总，输入坏样本归因分析模块。
关键点：预警等级划分是连接“预警策略”与“坏样本归因”的桥梁。不同等级的预警样本在归因分析中应赋予不同的权重和优先级。红色预警样本通常需要立即进行深度归因，而黄色预警样本则可纳入批量归因分析。