1. 课程导论与信用评分业务背景
1.1 信用评分在金融风控中的核心价值
信用评分是金融风控体系的基石，它将借款人的还款意愿与还款能力量化为一个可比较的数值，帮助金融机构在秒级内做出信贷决策。其核心价值体现在以下三个维度：
- 决策标准化：消除人工审批的主观偏差，确保同一信用状况的客户获得一致评价。
- 效率与成本：自动化评分替代人工信审，单笔审批成本降低 80% 以上，处理时间从小时级压缩至毫秒级。
- 风险定价：基于评分区间差异化设定利率与额度，实现风险与收益的动态平衡。
行业数据参考： 头部消费金融平台通过信用评分 API 实现 95% 以上的自动化审批率，不良率控制在 2% 以下。评分每提升 10 分，违约概率平均下降 15%-20%。
1.2 常见评分卡模型：A卡 / B卡 / C卡
评分卡模型按应用阶段分为三类，覆盖信贷全生命周期。下表从核心目标、应用时点与关键特征三个维度进行对比：
| 模型类型 | 核心目标 | 应用时点 | 关键特征 |
|---|---|---|---|
| A卡（申请评分卡） | 预测新客户违约概率 | 贷前申请环节 | 依赖征信报告、收入、负债等静态数据；决策速度快，通常要求 200ms 内返回 |
| B卡（行为评分卡） | 评估存量客户逾期风险 | 贷中管理阶段 | 引入还款行为、交易频次、额度使用率等动态特征；支持额度调整与预警 |
| C卡（催收评分卡） | 优化催收策略与回收率 | 贷后逾期阶段 | 结合逾期天数、联系响应率、历史催收记录；指导催收优先级与手段选择 |
架构提示： 在 API 化实践中，A 卡对延迟最敏感（通常要求 P99 < 200ms），B 卡与 C 卡可接受秒级响应。本课程将重点围绕 A 卡 API 的低延迟优化展开。
1.3 API化服务的业务需求分析
将信用评分模型封装为 API 服务，是金融科技系统从单体架构向微服务演进的关键一步。业务方对评分 API 的需求可归纳为以下五个核心维度：
- 高可用性：信贷审批链路不可中断，API 可用性需达到 99.99% 以上，支持多机房容灾。
- 低延迟：端到端响应时间（含特征计算与模型推理）需控制在 200ms 以内，以支撑实时审批场景。
- 弹性伸缩：应对秒杀、营销活动等流量洪峰，API 需支持秒级自动扩缩容。
- 安全合规：传输加密（TLS 1.3）、鉴权（OAuth2.0 / API Key）、数据脱敏，满足等保三级与 GDPR 要求。
- 可观测性：全链路追踪、延迟分布、错误率监控，支持快速定位性能瓶颈。
常见架构陷阱： 许多团队在初期将评分逻辑直接嵌入业务代码，导致模型更新必须全量发布。API 化后应通过版本控制（如 /v1/score, /v2/score）实现模型热切换，避免耦合。
1.4 课程学习路径与实战目标
本课程将围绕“信用评分 API 从设计到上线”的完整链路，分为以下四个阶段：
- 阶段一（第 1-5 章）：业务理解与架构设计，包括评分卡模型选型、API 契约定义、数据库与缓存方案。
- 阶段二（第 6-15 章）：核心代码实现，涵盖特征工程、模型推理引擎、并发控制与异常处理。
- 阶段三（第 16-25 章）：低延迟优化实战，包括连接池调优、序列化加速、JIT 编译、性能压测与瓶颈定位。
- 阶段四（第 26-30 章）：发布运维与持续迭代，涉及 CI/CD 流水线、灰度发布、监控告警与模型热更新。
前置要求： 建议具备 Python 3.9+ 开发经验，了解 Flask/FastAPI 基础用法，熟悉基本的 SQL 与 Redis 操作。每章均提供可运行的代码示例与 Docker 环境配置。