2. 信贷业务基础：信贷产品类型、场景与关键指标
在构建授信决策引擎之前，必须深入理解信贷业务的基本构成。本章将系统梳理主流信贷产品类型、全生命周期风控场景以及核心业务指标，为后续样本构建与模型训练奠定业务基础。
2.1 信贷产品类型
根据资金使用方式、还款模式与风险特征，信贷产品主要分为以下三类：
| 产品类型 | 核心特征 | 典型额度 | 风险特点 | 代表产品 |
|---|---|---|---|---|
| 循环贷 | 随借随还，额度可循环使用；按日计息，只对已用额度付息 | 1,000 ~ 500,000 元 | 资金使用灵活，多头借贷风险高；需实时监控额度使用率 | 信用卡、借呗、微粒贷 |
| 分期贷 | 一次性放款，按月等额本息/本金还款；资金用途明确 | 5,000 ~ 500,000 元 | 还款计划固定，逾期风险集中在还款日前后；适合大额消费 | 花呗分期、京东白条分期 |
| 现金贷 | 小额短期，一次性还本付息；审批快、期限短（7~30天） | 500 ~ 20,000 元 | 客群下沉，违约率较高；依赖高频数据与行为评分 | 借呗现金贷、美团借钱 |
产品选择对样本构建的影响： 循环贷样本需关注额度使用率与还款行为序列；分期贷样本需提取还款计划偏离度；现金贷样本则需重点处理短期多头借贷特征。不同产品的逾期定义窗口（如M1/M3）也需差异化设定。
2.2 信贷全生命周期场景：贷前 / 贷中 / 贷后
信贷业务按时间轴划分为三个核心风控场景，每个场景对应不同的决策目标与数据输入：
场景联动提示： 贷前模型使用的样本标签通常来自贷后表现（如逾期30天+）；贷中模型则依赖贷前评分作为基础特征。三个场景的样本构建必须保持标签定义与观察窗口的一致性。
2.3 关键业务指标
授信决策引擎的效果最终通过以下三类核心指标衡量：
2.3.1 通过率（Approval Rate）
- 定义： 审批通过的申请数 / 总申请数 × 100%
- 业务含义： 反映风控策略的宽松程度与获客效率
- 监控维度： 按产品、渠道、客群、时间段分层统计
- 样本影响： 通过率过低会导致样本选择偏差，模型训练集缺乏拒绝样本
2.3.2 逾期率（Delinquency Rate）
- 定义： 逾期一定天数（如M1≥30天）的贷款余额 / 总贷款余额 × 100%
- 常用口径： 30+逾期率、60+逾期率、90+逾期率
- 业务含义： 衡量资产质量与风险暴露水平
- 样本影响： 逾期标签是模型训练的核心目标变量，需明确表现期窗口
2.3.3 损失率（Loss Rate）
- 定义： 最终确认无法回收的贷款金额 / 总贷款发放金额 × 100%
- 计算方式： 损失率 = 违约率 × 违约损失率（LGD）
- 业务含义： 反映最终风险成本，直接影响产品定价与拨备
- 样本影响： 损失样本通常稀少，需使用过采样或代价敏感学习
| 指标 | 计算公式 | 典型阈值 | 对模型训练的影响 |
|---|---|---|---|
| 通过率 | 通过数 / 申请数 | 30% ~ 70% | 决定样本分布与拒绝推断必要性 |
| 逾期率 | 逾期余额 / 总余额 | M1: 1% ~ 5% | 定义正负样本标签窗口 |
| 损失率 | 损失金额 / 发放金额 | 0.5% ~ 3% | 影响样本平衡与损失函数设计 |
指标联动陷阱： 单纯追求低逾期率可能导致通过率过低，损失优质客户；而高通过率往往伴随逾期率上升。授信决策引擎需要在通过率与逾期率之间寻找最优平衡点，通常使用利润最大化或风险调整后收益（RAROC）作为优化目标。
2.4 产品-场景-指标三维映射
不同产品类型在各场景下的指标关注重点存在显著差异，以下矩阵总结了核心映射关系：
样本构建核心原则： 无论产品类型如何，样本构建必须同时考虑三个维度——时间窗口（观察期与表现期对齐）、标签定义（逾期/损失口径统一）、样本偏差（通过率导致的拒绝样本缺失）。只有将业务指标与样本设计深度绑定，才能训练出真正可落地的授信决策模型。