1. 课程导论与行业背景
1.1 信贷业务全流程：从获客到贷后
现代信贷业务已形成高度标准化的端到端流程，每个环节都依赖数据与模型进行决策。理解全流程是设计额度模型与决策引擎的前提。
| 阶段 | 核心动作 | 数据输入 | 模型/规则输出 |
|---|---|---|---|
| 获客与引流 | 渠道投放、预授信、精准营销 | 用户画像、设备指纹、外部标签 | 预授信额度、通过率预估 |
| 申请准入 | 身份核验、反欺诈、黑名单过滤 | 身份证、人脸、征信报告 | 欺诈评分、准入决策 |
| 额度审批 | 收入负债评估、信用评分、额度测算 | 收入证明、公积金、多头借贷 | 授信额度、利率定价 |
| 用信与支用 | 交易监控、额度占用、二次校验 | 交易流水、LBS、设备环境 | 支用通过/拒绝 |
| 贷后管理 | 还款提醒、逾期催收、额度调整 | 还款行为、外部征信更新 | 额度重算、催收策略 |
关键认知： 额度模型并非只在“额度审批”阶段出现，它在预授信、支用、贷后调额等环节持续发挥作用，是贯穿全生命周期的动态决策核心。
1.2 额度模型在风控中的核心地位
额度模型直接决定了金融机构的风险敞口与收益上限。一个优秀的额度模型需要在“最大化授信以获取利息收入”与“最小化坏账损失”之间找到最优平衡点。
- 风险量化器： 将用户信用风险转化为具体的授信金额，是风险定价的基础。
- 收益引擎： 通过差异化额度实现“好客户多借、差客户少借”，提升整体资产组合的ROA。
- 监管合规基石： 额度模型需满足“额度适度、风险可控”的监管要求，避免过度授信。
- 客户体验分水岭： 额度高低直接影响用户对产品的第一印象，过低则流失，过高则风险积聚。
行业数据： 头部消费金融公司通过引入机器学习额度模型，在保持坏账率不变的前提下，平均授信额度提升了15%-25%，直接带动营收增长。
1.3 决策引擎的价值：从规则到智能
决策引擎是承载额度模型与风控策略的“大脑”。它将复杂的模型计算、规则判断、数据调用抽象为可配置、可监控、可迭代的决策流。
| 对比维度 | 传统硬编码规则 | 决策引擎 |
|---|---|---|
| 迭代速度 | 依赖开发排期，周/月级 | 业务人员可配置，分钟/小时级 |
| 模型集成 | 代码耦合，难以热部署 | 支持PMML/ONNX/Python模型热加载 |
| 监控与审计 | 日志分散，回溯困难 | 全链路决策快照，一键回放 |
| 灰度与实验 | 需要多套代码分支 | 内置流量分流、A/B测试、冠军/挑战者 |
决策引擎的核心价值可以概括为三点：
- 解耦： 将风控逻辑与业务系统分离，降低系统复杂度。
- 敏捷： 支持策略人员直接调整规则与模型权重，快速响应市场变化。
- 可观测： 每个决策节点都有输入、输出、耗时、命中记录，便于排查与优化。
1.4 额度模型与决策引擎的集成关系
下图展示了额度模型如何嵌入决策引擎，形成完整的信贷决策闭环。
集成陷阱： 许多团队将额度模型视为一个独立的“黑盒”API，忽略了决策引擎中的规则前置过滤、策略矩阵后处理以及模型版本管理。这会导致模型效果被规则覆盖、灰度实验难以开展、线上问题定位困难。本课程将逐一拆解这些集成细节。
1.5 本课程学习路径
本教程将按照“理论 → 建模 → 集成 → 部署 → 监控”的主线展开，帮助学员建立从模型开发到生产落地的完整知识体系。
- 第1-3章： 行业背景、额度模型基础、决策引擎原理。
- 第4-10章： 额度模型开发（特征工程、模型训练、评估、校准）。
- 第11-20章： 决策引擎集成（规则编排、模型部署、接口设计、灰度策略）。
- 第21-25章： 监控与迭代（决策监控、模型衰减、冠军/挑战者机制）。
- 第26-30章： 实战案例与高阶专题（多头授信、额度共享、联邦学习）。