2. 决策引擎基础概念
在授信决策场景中，决策引擎是串联数据、规则、模型与最终审批动作的核心执行层。理解其基础概念，是后续部署模型与调优规则的前提。本节从定义出发，厘清决策引擎、规则引擎与模型引擎的差异，并介绍决策流与决策表两大核心构件。
2.1 什么是决策引擎
决策引擎（Decision Engine）是一个自动化执行决策逻辑的软件平台。它接收输入数据（如客户信息、征信报告、行为数据），按照预定义的规则、模型或策略组合，输出决策结果（如通过、拒绝、人工审核）及对应的额度、利率等参数。
核心特征：
- 可编排：支持可视化或声明式配置决策流程，无需硬编码。
- 可热更新：规则与模型可在不重启服务的情况下动态加载。
- 可审计：记录每次决策的完整链路，支持事后回溯与合规检查。
- 高性能：通常采用内存计算、并行执行、缓存优化等手段，满足毫秒级响应。
2.2 规则引擎与模型引擎的区别
规则引擎与模型引擎是决策引擎的两大核心组件，但它们的定位、构建方式与适用场景有本质区别。
| 对比维度 | 规则引擎 | 模型引擎 |
|---|---|---|
| 定义 | 基于显式业务规则（IF-THEN）执行逻辑判断 | 基于统计/机器学习模型进行概率预测或分类 |
| 构建方式 | 业务专家手动编写，或通过决策表配置 | 数据科学家使用训练数据训练生成 |
| 可解释性 | 高，每条规则逻辑透明 | 中低（线性模型较高，树模型/神经网络较低） |
| 更新频率 | 高，可随时热更新 | 低，需重新训练、验证、部署 |
| 典型场景 | 黑名单过滤、年龄/收入硬性门槛、合规检查 | 信用评分、欺诈概率预测、额度优化 |
| 输出类型 | 离散决策（通过/拒绝/人工） | 连续值（概率、分数）或分类标签 |
实践建议：在授信决策中，通常将规则引擎作为前置过滤器（快速拒绝高风险），模型引擎作为核心评估器（精细量化信用风险），两者互补而非替代。
2.3 决策流与决策表
2.3.1 决策流
决策流（Decision Flow）是决策引擎中用于编排多个决策步骤的有向图结构。它定义了数据在规则、模型、分支判断之间的流转路径，以及各节点的执行顺序与条件。
决策流的核心元素：
- 开始节点：接收输入数据，启动流程。
- 规则节点：执行一组业务规则，输出中间结果。
- 模型节点：调用部署的机器学习模型，输出预测值。
- 分支节点：根据条件（如分数阈值）选择不同路径。
- 聚合节点：合并多个分支的结果，生成最终决策。
- 结束节点：输出最终决策结果，触发后续动作。
2.3.2 决策表
决策表（Decision Table）是规则引擎中一种结构化的规则表达方式，以表格形式定义多个条件组合与对应动作。它特别适合处理多条件、多输出的业务逻辑，如授信额度矩阵。
决策表的结构：
- 条件列：定义输入变量的判断条件（如年龄、收入、信用分）。
- 动作列：定义满足条件组合后执行的动作（如额度、利率、决策结果）。
- 规则行：每一行代表一条完整的 IF-THEN 规则。
| 规则编号 | 年龄 | 月收入 | 信用分 | 决策结果 | 额度上限 |
|---|---|---|---|---|---|
| R1 | < 22 | — | — | 拒绝 | 0 |
| R2 | ≥ 22 | < 5000 | — | 人工审核 | — |
| R3 | ≥ 22 | ≥ 5000 | ≥ 600 | 通过 | 50,000 |
| R4 | ≥ 22 | ≥ 5000 | ≥ 750 | 通过 | 100,000 |
| R5 | ≥ 22 | ≥ 10000 | ≥ 700 | 通过 | 200,000 |
注意事项：决策表应避免规则冲突（同一条件组合对应多个动作）和规则遗漏（某些条件组合无对应规则）。建议使用决策表覆盖矩阵进行完整性校验。
2.4 三者关系总结
决策引擎、规则引擎、模型引擎的关系可以概括为：决策引擎是容器，规则引擎与模型引擎是组件，决策流与决策表是编排工具。在实际授信系统中，三者协同工作：
- 规则引擎处理确定性逻辑（如黑名单、硬性门槛），保证合规与风控底线。
- 模型引擎处理不确定性预测（如违约概率、欺诈风险），提供精细化评估。
- 决策流将规则与模型按业务逻辑串联，决策表为规则提供结构化配置方式。