2. 贷后预警数据模型设计

贷后预警系统的核心是数据。在 Flink 中构建实时预警任务，首先需要将业务数据抽象为逻辑模型，并定义 Flink Table 的 Schema，同时引入事件时间与水位线机制来保证计算的准确性。本章将围绕贷后业务实体关系、Flink 表定义以及时间语义展开。

2.1 贷后数据实体关系

贷后预警涉及四个核心业务实体：客户、贷款、还款计划和逾期记录。它们之间的逻辑关系如下：

• 客户：唯一标识借款人，是预警触达的对象。
• 贷款：客户名下的每一笔借款，包含金额、利率、起止日期等。
• 还款计划：每笔贷款对应的分期还款明细，包含每期应还日期、应还金额。
• 逾期记录：当实际还款行为晚于计划应还日期时，系统生成的逾期事件。

下表列出了各实体的核心字段：

2.2 Flink Table Schema 定义

在 Flink SQL 中，我们需要将上述实体映射为 Table 的 Schema。以下以“还款计划”和“逾期记录”为例，展示 DDL 定义：

-- 还款计划表（来自 Kafka）
CREATE TABLE repayment_plan (
    plan_id         BIGINT,
    loan_id         BIGINT,
    due_date        DATE,
    due_amount      DECIMAL(10, 2),
    status          STRING,
    -- 事件时间字段：计划应还日期
    event_time      AS TO_TIMESTAMP(CONCAT(due_date, ' 23:59:59')),
    WATERMARK FOR event_time AS event_time - INTERVAL '1' DAY
) WITH (
    'connector' = 'kafka',
    'topic' = 'repayment_plan',
    'format' = 'json',
    'properties.bootstrap.servers' = 'localhost:9092'
);

-- 逾期记录表（来自 Kafka）
CREATE TABLE overdue_record (
    overdue_id      BIGINT,
    plan_id         BIGINT,
    overdue_days    INT,
    overdue_amount  DECIMAL(10, 2),
    create_time     TIMESTAMP(3),
    -- 事件时间字段：记录生成时间
    event_time      AS create_time,
    WATERMARK FOR event_time AS event_time - INTERVAL '5' SECOND
) WITH (
    'connector' = 'kafka',
    'topic' = 'overdue_record',
    'format' = 'json',
    'properties.bootstrap.servers' = 'localhost:9092'
);

2.3 事件时间与水位线概念

在贷后预警场景中，数据到达 Flink 的时间（处理时间）与业务实际发生的时间（事件时间）往往不一致。例如，一笔逾期记录可能因为系统延迟在 10 秒后才到达。为了准确判断“是否逾期”，我们必须使用事件时间。

水位线（Watermark） 是 Flink 中衡量事件时间进度的机制。它表示“当前时间之前的数据已经全部到达”，触发窗口计算或关联操作。

• 水位线 = 当前最大事件时间 - 允许的最大乱序时间
• 当水位线超过窗口结束时间时，触发窗口计算。
• 在贷后预警中，水位线帮助我们在“逾期记录”和“还款计划”进行 temporal join 时，避免因数据乱序导致漏关联。