1. 授信场景概述
1.1 什么是授信
授信（Credit Granting）是指金融机构基于对借款主体（个人或企业）的信用评估，授予其在一定期限内、一定额度内使用信贷资金的权利。授信是信贷业务的起点，决定了“借不借、借多少、什么条件借”三个核心问题。
核心定义：授信 = 信用评估 + 额度授予 + 条件约束。金融机构通过模型与规则判断借款人的还款意愿与还款能力，从而做出信贷决策。
| 维度 | 个人授信 | 企业授信 |
|---|---|---|
| 评估对象 | 个人收入、征信、负债、职业稳定性 | 企业经营流水、财务报表、行业前景、担保物 |
| 典型产品 | 信用卡、消费贷、房贷、车贷 | 流动资金贷款、供应链金融、票据贴现 |
| 模型关注点 | 违约概率（PD）、还款能力（DTI） | 违约概率（PD）、违约损失率（LGD） |
| 数据来源 | 人行征信、社保、公积金、电商消费 | 税务、发票、银行流水、工商司法 |
1.2 授信业务流程
标准授信业务流程通常包含以下六个关键环节，每个环节都可能部署模型服务来提升效率与准确性：
- 申请受理：借款人提交身份信息、收入证明、贷款用途等基础资料，系统完成初步校验与反欺诈筛查。
- 反欺诈识别：通过设备指纹、行为序列、关系网络等模型，识别团伙欺诈、身份冒用、资料造假等风险。
- 信用评估：基于申请评分卡（Application Scorecard）或机器学习模型，计算借款人的违约概率（PD）。
- 额度定价：结合风险等级、资金成本、市场竞争，通过模型输出建议额度与利率。
- 审批决策：系统根据模型评分与策略规则，自动通过、拒绝或转入人工审核。
- 贷后监控：持续跟踪借款人行为变化，触发预警或额度调整。
1.3 模型在授信中的作用
模型是授信决策的“大脑”，将原始数据转化为可量化的风险信号。在传统人工审批时代，授信依赖信审员的经验判断，效率低、标准不统一。引入模型后，授信实现了自动化、标准化、精细化。
关键转变：从“经验驱动”到“数据+模型驱动”。模型不仅提升审批效率（从几天到秒级），还能识别人工难以发现的复杂风险模式。
模型在授信中的具体作用可归纳为以下四个方面：
| 作用维度 | 具体说明 | 典型模型 |
|---|---|---|
| 风险识别 | 识别欺诈申请、多头借贷、虚假资料等高风险行为 | 反欺诈模型、设备指纹模型、关系网络模型 |
| 信用量化 | 将借款人的信用状况转化为可比较的分数或概率 | 申请评分卡、XGBoost信用模型、深度学习信用模型 |
| 额度优化 | 根据风险等级与收益预期，动态计算最优授信额度 | 额度模型、损失预测模型、客户生命周期模型 |
| 动态监控 | 持续跟踪借款人行为变化，触发预警、降额或止付 | 行为评分卡、预警模型、迁徙率模型 |
实践要点：模型并非万能。模型依赖数据质量，在数据稀疏或极端市场环境下，模型效果可能大幅下降。授信场景中需要建立模型监控与人工兜底机制，确保模型失效时业务不中断。
1.4 模型服务（Model Serving）的定位
模型服务（Model Serving）是将训练好的模型以API或批处理方式部署到生产环境，实时响应业务请求的过程。在授信场景中，模型服务是连接“模型开发”与“业务决策”的桥梁。
- 实时性要求：授信决策通常需要在秒级完成，模型服务必须保证低延迟（<200ms）。
- 高可用要求：授信业务7×24小时运行，模型服务需具备故障转移与自动恢复能力。
- 版本管理：模型需要持续迭代，服务架构需支持A/B测试、灰度发布与快速回滚。
- 可解释性：监管要求授信决策可追溯，模型服务需输出特征贡献度与决策理由。
课程核心：本课程将围绕“如何将授信模型高效、稳定、可解释地部署为生产服务”展开，涵盖模型服务架构、性能优化、监控告警、版本管理等关键主题。