1. 课程导学与信用评分业务概述

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“数字标尺”，它将借款人的还款意愿与还款能力量化为一个可比较的分数，帮助金融机构在贷前准入、贷中监控、贷后管理全链路中做出自动化、标准化的决策。在信贷业务中，信用评分直接关联以下关键指标：

• 审批通过率：通过分数阈值快速筛选优质客群，降低人工审核成本。
• 坏账率（逾期率）：高区分度的评分模型能有效识别高风险客户，将坏账率控制在可接受范围。
• 授信额度与定价：基于评分等级差异化设置额度与利率，实现风险与收益的平衡。
• 监管合规：可解释的评分体系满足巴塞尔协议、征信管理办法等监管要求。

1.2 实时评分与离线评分的核心区别

在金融风控链路中，评分计算根据时效性要求分为离线（Batch）与实时（Online）两种模式。两者在计算引擎、数据源、延迟要求、应用场景上存在显著差异：

1.3 Kafka 在评分链路中的核心定位

在实时评分链路中，Kafka 扮演着“数据中枢”与“流量缓冲”的双重角色。它连接了上游的各类事件源（APP埋点、核心系统、第三方数据）与下游的实时计算引擎（Flink/Spark Streaming）及评分服务。其核心定位体现在以下三个层面：

• 事件总线（Event Bus）：统一接入用户行为、交易、征信查询等异构数据源，解耦生产者与消费者，避免点对点直连带来的系统复杂度。
• 流量削峰与持久化：在秒杀、大促等流量洪峰场景下，Kafka 的高吞吐写入能力（单节点可达数十万TPS）能有效保护下游评分服务不被冲垮；同时通过日志持久化提供数据回溯能力。
• 多消费者订阅与重放：同一份评分事件流可被多个消费者组订阅（如反欺诈服务、额度服务、数据仓库），实现“一次写入、多次消费”；支持按偏移量重放，便于模型回测与问题排查。

1.4 本课程实战链路全景

本课程将围绕一条完整的“实时信用评分 Kafka 链路”展开，覆盖从数据采集、特征加工、模型推理到评分结果下发的全流程。整体链路分为以下五个核心阶段：

1. 数据接入层：通过 Kafka Connect 或自定义 Producer 将 APP 埋点、核心交易、征信查询等数据实时写入 Kafka Topic。
2. 特征计算层：使用 Flink SQL / Kafka Streams 对原始事件进行窗口聚合、特征衍生，生成评分所需的实时特征向量。
3. 模型推理层：加载预训练的评分模型（如 XGBoost / LR），对特征向量进行实时打分，输出信用分数与风险等级。
4. 决策分发层：评分结果写入 Kafka 结果 Topic，下游决策引擎根据分数执行准入、拒绝、人工审核等策略。
5. 监控与回测层：通过 Kafka 的日志重放能力，对历史评分事件进行离线回测，持续优化模型与策略。