📚 课程目录第1章课程导论与背景

1. 课程导论与背景

在信贷业务全生命周期中，贷后预警是控制不良率的关键防线。然而，随着业务规模扩张与风险形态演变，传统基于离线批处理或关系型数据库的预警方案正面临系统性挑战。以下痛点已成为行业共识：

痛点维度	传统方案表现	业务后果
时效性	T+1 甚至 T+7 批量跑批，依赖夜间调度	风险信号滞后，错过最佳处置窗口
特征计算复杂度	单笔贷款需关联数十张表，SQL 嵌套深、执行慢	查询超时、资源争抢，无法支撑高并发
数据一致性	多源异构数据（核心账务、催收、外部征信）缺乏统一时间戳对齐	特征值漂移，模型预测置信度下降
扩展性	单体数据库垂直扩容，单表数据量过亿后性能断崖式下跌	业务增长受限于基础设施瓶颈
运维成本	跑批任务依赖人工监控，失败重跑耗时长	SRE 团队疲于救火，故障恢复 SLA 难以达标

典型场景：某头部消金平台在贷后预警环节使用传统 Oracle 存储过程，单次全量跑批耗时超过 6 小时，且每月因数据倾斜导致 OOM 故障 2-3 次。当监管要求“重点监控客户 24 小时内行为变化”时，该方案完全无法满足。

低延迟特征服务并非简单的“加速”，而是从架构层面重构贷后预警的数据供给链路。其核心价值体现在四个维度：

  关键指标对比：传统方案下，一个包含 200+ 特征的预警模型从数据采集到特征就绪平均耗时 45 分钟；低延迟特征服务可将该链路压缩至 3 秒以内，且支持每秒 5000+ 次并发特征查询。

本课程面向金融科技架构师、大数据工程师、SRE 专家，旨在提供一套从理论到实战的完整方法论。完成本课程后，学员将具备以下能力：

架构设计能力：独立设计支持百万级贷款账户、秒级延迟的贷后预警特征服务平台。
技术选型能力：根据业务场景合理选择流计算引擎（Flink/Spark Streaming）、特征存储（Redis/ Cassandra/Alluxio）与服务化框架（gRPC/Spring Cloud）。
SRE 保障能力：构建特征服务的容量规划、混沌工程、故障自愈体系。
性能调优能力：掌握特征计算的热点治理、序列化优化、状态后端调优等实战技巧。

课程采用“总-分-总”结构，共分为 5 个模块：

前置要求：建议学员具备 Java/Scala 编程基础、熟悉 Linux 基本操作、了解分布式系统基本概念（如 CAP 理论、一致性哈希）。课程中涉及的具体框架（Flink、Kafka、Redis 等）会从入门级开始讲解，无需提前精通。