授信决策引擎概述
授信决策引擎是信贷审批流程的“大脑”，负责接收申请数据、执行风控逻辑并输出审批结果。在灰度试运行阶段，理解引擎的核心功能与架构是配置策略、排查异常的基础。本章从功能模块、决策流架构和主流产品三个维度展开。
2.1 决策引擎核心功能
决策引擎通过三大核心组件完成从数据输入到决策输出的闭环：
| 核心功能 | 作用 | 典型应用场景 |
|---|---|---|
| 规则引擎 | 基于预定义条件（if-then）进行逻辑判断 | 黑名单拦截、多头借贷校验、年龄/收入准入 |
| 评分卡 | 将变量映射为分数，通过总分或分段阈值决策 | 申请评分卡（A卡）、行为评分卡（B卡） |
| 模型调用 | 调用机器学习/深度学习模型输出概率或分数 | 反欺诈模型、收入预测模型、额度定价模型 |
灰度试运行提示： 规则引擎适合快速拦截已知风险，评分卡提供可解释的排序能力，模型调用则提升复杂模式识别精度。三者通常串联使用，而非互斥。
2.1.1 规则引擎
规则引擎以“条件-动作”对为核心，支持原子规则、规则集、决策表等组织形式。在灰度环境中，规则引擎常用于执行“硬性拒绝”策略，例如：
- 命中监管黑名单 → 直接拒绝
- 申请手机号归属地与身份证号归属地不一致 → 转人工审核
- 近7天申请次数 > 5次 → 触发多头预警
2.1.2 评分卡
评分卡将连续变量（如年龄、收入）或分类变量（如职业、学历）通过WOE编码转换为分数，最终累加得到总分。评分卡的优势在于可解释性强，便于监管审计。
# 评分卡分数计算示例（伪代码）
score = base_score
for each variable in variables:
score += variable_score_map[variable][bin]
return score2.1.3 模型调用
模型调用模块负责将特征数据打包发送至模型服务（如PMML、ONNX、TFServing），并获取预测结果。灰度试运行期间需重点关注模型响应的超时设置与降级策略。
2.2 决策流架构
决策流（Decision Flow）定义了各功能模块的执行顺序与分支逻辑。一个典型的授信决策流包含以下阶段：
- 数据预处理： 字段映射、缺失值填充、衍生变量计算
- 准入规则： 硬性条件过滤（年龄、地域、黑名单）
- 评分卡评估： 计算申请评分卡分数
- 模型预测： 调用反欺诈模型、收入模型
- 综合决策： 结合规则、评分、模型结果输出最终结论（通过/拒绝/人工）
- 后处理： 额度计算、利率定价、拒绝原因编码
2.3 常见决策引擎产品介绍
市场上主流的授信决策引擎产品可分为商业闭源与开源两类，下表对比了四款代表性产品：
| 产品名称 | 类型 | 核心特点 | 适用场景 |
|---|---|---|---|
| FICO Blaze | 商业闭源 | 规则引擎成熟，支持复杂决策表，金融行业广泛使用 | 大型银行、持牌消金 |
| Drools | 开源 | 基于RETE算法，社区活跃，可定制性强 | 中小型机构、技术团队较强的公司 |
| Experian PowerCurve | 商业闭源 | 内置评分卡与策略模拟器，端到端决策管理 | 信贷全生命周期管理 |
| 自研引擎 | 定制开发 | 灵活度高，可深度集成内部数据与模型 | 互联网信贷、金融科技公司 |
灰度选型建议： 试运行阶段建议优先选择支持“策略热部署”和“A/B测试”的产品，以便在不重启服务的情况下快速调整规则与模型版本。
2.4 灰度试运行关注要点
在灰度试运行阶段，针对决策引擎需重点验证以下能力：
- 规则一致性： 灰度环境与生产环境的规则执行结果是否一致
- 模型稳定性： 模型输入特征分布是否与训练集一致（PSI监测）
- 性能基线： 单笔决策耗时、吞吐量、CPU/内存占用
- 降级策略： 模型超时或引擎异常时，是否自动降级为规则决策
常见陷阱： 灰度环境的数据源若与生产环境不一致（如使用历史快照而非实时接口），可能导致规则命中率偏差。务必在灰度前完成数据源一致性校验。