2. 风控业务基础：信贷业务全流程与核心指标
在构建实时风控模型之前，必须深刻理解信贷业务的完整生命周期以及衡量风控效果的核心指标。本章将系统梳理贷前、贷中、贷后三大阶段的关键任务，介绍风控决策引擎的工作原理，并详细解读逾期率、坏账率、通过率等核心指标的计算方法与业务含义。
2.1 信贷业务全流程：贷前、贷中、贷后
信贷业务通常划分为三个核心阶段，每个阶段对应不同的风控目标和数据特征。下表总结了各阶段的主要任务与风控要点：
| 阶段 | 核心目标 | 主要任务 | 风控关键点 |
|---|---|---|---|
| 贷前 | 准入与反欺诈 | 身份核验、信用评估、额度预授信 | 识别黑产、多头借贷、虚假资料 |
| 贷中 | 动态监控与预警 | 交易监控、额度调整、行为评分 | 捕捉还款能力下降、异常交易模式 |
| 贷后 | 催收与资产处置 | 逾期催收、核销、法律诉讼 | 分案策略、催收效率、回收率 |
下图展示了信贷业务全流程中数据流与决策点的串联关系：
2.2 风控决策引擎的基本概念
风控决策引擎是信贷业务中负责自动化、实时化做出风险判断的核心系统。它接收用户请求数据，通过规则集、评分卡、机器学习模型等组件，在毫秒级输出决策结果（通过、拒绝、人工审核）。
一个典型的决策引擎包含以下核心模块：
- 输入层： 接收用户基本信息、设备指纹、征信报告、行为埋点等数据。
- 特征计算层： 对原始数据进行清洗、衍生、聚合，生成模型可用的特征向量。
- 规则引擎： 执行硬性规则（如黑名单拦截、年龄限制、多头借贷上限），通常优先于模型执行。
- 模型推理层： 加载训练好的机器学习模型（如 LightGBM），对特征向量进行评分。
- 决策组合层： 将规则结果与模型评分按策略矩阵组合，输出最终决策。
- 输出与记录层： 返回决策结果，并将全链路日志写入数据仓库用于后续分析。
下图展示了决策引擎的内部架构与数据流转：
2.3 常见风控指标：逾期率、坏账率、通过率
风控指标是衡量模型效果和业务健康度的核心工具。以下三个指标是信贷风控中最基础、最常用的度量标准。
2.3.1 逾期率（Delinquency Rate）
逾期率反映借款人在约定还款日后未能按时还款的比例。根据逾期天数，通常分为 M1（1-30天）、M2（31-60天）、M3（61-90天）等不同等级。
计算公式：
逾期率 = 逾期未还本金总额 / 应还本金总额 × 100%业务含义： 逾期率是资产质量的先行指标。M1 逾期率上升通常预示着未来坏账率可能恶化，需要及时调整贷中监控策略。
2.3.2 坏账率（Bad Debt Rate / Charge-Off Rate）
坏账率指经过一定催收周期后，确认无法收回的贷款本金占总放款本金的比例。通常以逾期超过 90 天（M3+）或 180 天作为坏账认定标准。
计算公式：
坏账率 = 核销坏账总额 / 总放款本金 × 100%业务含义： 坏账率是风控模型的最终验证指标。模型上线后，需要通过观察坏账率的变化来评估模型的实际效果。坏账率与逾期率之间的差值反映了催收效率。
2.3.3 通过率（Approval Rate）
通过率指在申请用户中，最终被风控系统判定为“通过”并成功放款的比例。
计算公式：
通过率 = 通过申请数 / 总申请数 × 100%业务含义： 通过率直接影响业务规模。过高的通过率可能引入高风险用户，导致坏账上升；过低的通过率则会抑制业务增长。风控模型需要在通过率与坏账率之间寻找最优平衡点。
下表总结了三个核心指标的对比关系：
| 指标名称 | 计算口径 | 时间窗口 | 业务作用 |
|---|---|---|---|
| 逾期率 | 逾期本金 / 应还本金 | 短期（1-90天） | 早期预警，反映短期还款行为 |
| 坏账率 | 核销本金 / 总放款本金 | 长期（90天+） | 最终损失度量，验证模型效果 |
| 通过率 | 通过数 / 申请数 | 实时/当日 | 业务规模控制，平衡风险与增长 |
2.4 指标在模型评估中的应用
在实时风控模型上线后，需要建立指标监控体系，持续跟踪模型表现。以下是一个典型的监控流程：
- 日维度监控： 统计每日通过率、平均评分分布，检测模型是否出现数据漂移。
- 周维度监控： 统计 M1 逾期率，评估模型对短期风险的区分能力。
- 月维度监控： 统计 M3+ 坏账率，与模型训练时的预期坏账率进行对比。
- 季度维度复盘： 结合通过率与坏账率，决定是否需要调整模型阈值或重新训练。