1. 授信决策引擎概述

1.1 决策引擎在信贷全生命周期中的定位

信贷全生命周期涵盖从获客、准入、授信、用信到贷后管理的完整链条。授信决策引擎位于授信与用信两大核心环节的交汇处，是连接数据输入与业务决策的“中枢神经系统”。

1.2 核心功能模块

授信决策引擎由三大核心模块构成，它们协同工作，将原始数据转化为可执行的授信决策。

1.2.1 规则引擎

规则引擎是决策引擎的“第一道防线”，负责执行确定性逻辑。它基于“IF-THEN-ELSE”结构，对输入变量进行快速判断。典型场景包括：

• 黑名单拦截：IF 身份证号 IN 黑名单库 THEN 拒绝
• 年龄校验：IF 年龄 < 22 OR 年龄 > 60 THEN 转人工
• 多头借贷限制：IF 近7天查询机构数 >= 5 THEN 拒绝

1.2.2 评分卡

评分卡是决策引擎的“量化评估器”，通过统计模型（如逻辑回归、XGBoost）将用户特征映射为风险分数。评分卡输出通常分为：

• 申请评分卡（A卡）：评估客户违约概率，用于授信准入与额度初定。
• 行为评分卡（B卡）：评估存量客户风险变化，用于额度调整与贷中监控。
• 催收评分卡（C卡）：评估逾期客户还款可能性，用于催收策略分配。

1.2.3 决策流

决策流是决策引擎的“编排中枢”，它将规则引擎、评分卡、外部数据源等组件以有向无环图（DAG）的形式串联起来。决策流定义了：

• 执行顺序：先做反欺诈规则，再跑评分卡，最后做额度计算。
• 分支逻辑：评分卡分数 > 600 走自动通过分支，否则走人工审核分支。
• 并行与串行：同时调用多个外部数据源，等待全部返回后再进入下一节点。

1.3 决策引擎与Python策略编排的关系

传统决策引擎通常依赖可视化拖拽界面或DSL（领域特定语言）进行策略配置，但这种方式在复杂分群、批量回测、版本对比等场景下存在明显短板。Python策略编排正是为了解决这些痛点而生。

Python策略编排的核心价值在于：将决策引擎的“配置能力”升级为“编程能力”。策略分析师可以直接使用Python生态（pandas、numpy、scikit-learn、joblib）完成从数据探索、策略开发、沙盘推演到生产部署的全流程。

1.4 授信决策引擎核心架构

下图展示了授信决策引擎的核心模块及其在Python策略编排中的映射关系：

1.5 典型决策流示例

以下是一个简化的授信决策流Python伪代码，展示规则引擎、评分卡与决策流如何协同工作：

import pandas as pd
import joblib

# 加载评分卡模型
model = joblib.load('a_card_model.pkl')

def decision_flow(user_df: pd.DataFrame) -> pd.Series:
    """授信决策流主函数"""
    # 1. 规则引擎：硬性拒绝条件
    reject_mask = (
        (user_df['age'] < 22) |
        (user_df['blacklist_flag'] == 1) |
        (user_df['query_7d'] >= 5)
    )
    user_df.loc[reject_mask, 'decision'] = '拒绝'

    # 2. 评分卡：对非拒绝用户打分
    need_score = user_df[user_df['decision'].isna()]
    if not need_score.empty:
        score = model.predict_proba(need_score[model.feature_names_in_])[:, 1]
        need_score['risk_score'] = score

        # 3. 决策流分支
        need_score.loc[need_score['risk_score'] < 0.3, 'decision'] = '通过'
        need_score.loc[need_score['risk_score'] >= 0.7, 'decision'] = '拒绝'
        need_score.loc[
            (need_score['risk_score'] >= 0.3) & (need_score['risk_score'] < 0.7),
            'decision'
        ] = '人工审核'

        user_df.update(need_score)

    return user_df['decision']