1. 课程导论：授信决策引擎概述、样本构建与模型训练在风控全流程中的位置、课程目标与学习路径
1.1 授信决策引擎：风控体系的核心枢纽
在信贷业务中，授信决策引擎是连接数据、策略与模型的自动化决策中枢。它接收用户申请信息，调用规则与模型进行实时计算，最终输出额度、利率、期限等授信方案。一个成熟的决策引擎通常包含以下核心模块：
| 模块 | 功能描述 | 典型组件 |
|---|---|---|
| 输入层 | 接收并标准化用户申请数据、第三方数据、行为数据 | API 网关、数据清洗管道 |
| 规则引擎 | 执行硬性规则（黑名单、多头借贷、反欺诈规则） | Drools、自研规则流 |
| 模型引擎 | 加载并运行评分卡、机器学习模型，输出风险评分 | PMML 执行器、ONNX Runtime |
| 决策矩阵 | 根据规则结果与模型评分，匹配最终授信策略 | 决策表、策略配置中心 |
| 输出层 | 返回授信结论、额度、利率及拒绝原因码 | 响应组装、日志回传 |
关键认知： 授信决策引擎不是单一模型，而是“规则 + 模型 + 策略”的协同系统。样本构建与模型训练的质量，直接决定了引擎的决策精度与业务收益。
1.2 样本构建与模型训练在风控全流程中的位置
完整的信贷风控全流程可划分为 贷前、贷中、贷后 三大阶段。样本构建与模型训练贯穿其中，但核心工作集中在策略开发与模型迭代环节。以下表格清晰展示了各阶段的关键任务与样本/模型的关联：
| 阶段 | 核心任务 | 样本构建角色 | 模型训练角色 |
|---|---|---|---|
| 贷前 | 用户申请、反欺诈、准入规则 | 构建拒绝推断样本、反欺诈样本 | 训练申请评分卡（A卡）、反欺诈模型 |
| 贷中 | 额度管理、交易监控、早期预警 | 构建行为样本、额度使用样本 | 训练行为评分卡（B卡）、额度模型 |
| 贷后 | 催收管理、资产回收、核销 | 构建催收样本、回收率样本 | 训练催收评分卡（C卡）、回收模型 |
实践要点： 样本构建不是一次性工作。随着业务环境变化（如客群迁移、政策调整），模型需要定期迭代，样本构建流程也必须同步更新，否则会出现“模型衰减”现象。
1.3 课程目标与学习路径
本课程旨在帮助学员系统掌握从原始数据到可上线模型的全链路技能。课程内容覆盖样本构建的工程细节与模型训练的算法原理，并强调可落地、可复现的实战能力。
课程核心目标
- 掌握样本构建方法论： 包括拒绝推断、样本加权、时间窗口设计、标签定义等关键技术。
- 精通模型训练流程： 从逻辑回归到 XGBoost，从评分卡到深度学习，理解各模型的适用场景。
- 具备工程化思维： 了解特征工程、模型验证、上线部署与监控的完整闭环。
- 能够独立搭建授信模型： 使用真实业务数据完成从样本到决策引擎的端到端实践。
推荐学习路径
| 阶段 | 章节范围 | 学习重点 | 产出物 |
|---|---|---|---|
| 基础篇 | 第 1-5 章 | 风控基础、样本构建原理、特征工程入门 | 样本构建流程图、特征分析报告 |
| 模型篇 | 第 6-15 章 | 逻辑回归、决策树、集成模型、评分卡转换 | 可解释评分卡、XGBoost 模型 |
| 进阶篇 | 第 16-22 章 | 拒绝推断、样本不平衡、模型校准、深度学习 | 拒绝推断样本、校准曲线 |
| 实战篇 | 第 23-30 章 | 全流程项目实战、决策引擎部署、监控与迭代 | 可上线授信模型、监控看板 |
学习建议： 本课程涉及大量代码实践。建议学员提前准备 Python 3.8+ 环境，并安装 pandas、scikit-learn、xgboost、lightgbm 等常用库。每章后的练习务必动手完成，不要只看不练。
课程特色与交付物
- 30 章系统化内容： 从理论到实战，覆盖授信模型全生命周期。
- 配套代码与数据集： 每章提供可运行的 Jupyter Notebook 与模拟数据集。
- 内联 SVG 图解： 复杂流程与架构通过高对比图示直观呈现，降低理解门槛。
- 避坑指南与最佳实践： 总结真实业务中常见的样本偏差、过拟合、特征穿越等问题。
通过本课程的学习，你将具备独立构建授信决策模型的能力，能够胜任风控建模、策略分析、数据科学等岗位的核心工作。现在，让我们从样本构建的第一步开始，逐步深入授信决策引擎的世界。