授信决策引擎基础：信贷审批流程、决策引擎的核心组件、规则与模型的协同

在深入特征漂移与 LightGBM 重要性分析之前，必须首先理解授信决策引擎的运行机制。本章将拆解信贷审批的标准流程、决策引擎的模块化架构，以及规则与模型如何协同工作，为后续章节的漂移检测与模型监控奠定业务与技术基础。

2.1 信贷审批流程全景

信贷审批并非单一决策点，而是一条由多个阶段串联的流水线。每个阶段都会引入新的数据、执行不同的逻辑，并产生中间决策结果。典型的审批流程包含以下五个核心阶段：

2.2 决策引擎的核心组件

决策引擎是信贷审批流程的技术载体，它将业务规则、数学模型、数据管道整合为一个可编排、可监控的系统。一个生产级的决策引擎通常包含以下六大组件：

• 数据接入层： 对接外部征信、内部数据仓库、实时埋点，完成数据清洗、特征衍生与标准化。该层是特征漂移的第一道观测点。
• 规则引擎： 执行 if-then-else 逻辑，支持策略热部署。典型规则包括“年龄 < 18 直接拒绝”、“近 7 天申请次数 > 5 转人工”。
• 模型推理服务： 加载训练好的 LightGBM / XGBoost / 神经网络模型，提供实时评分 API。模型输出的分数分布是漂移监控的核心指标。
• 决策编排器： 定义规则与模型的执行顺序、分支条件、熔断机制。例如“规则拒绝则不调用模型”，以节省计算资源。
• 结果缓存与日志： 记录每笔请求的输入特征、中间变量、最终决策，用于离线分析、回溯测试与漂移归因。
• 监控告警模块： 实时统计特征分布、模型分数分布、拒绝率、通过率，触发漂移告警后自动通知或降级。

2.3 规则与模型的协同模式

在授信决策中，规则与模型并非替代关系，而是互补协同。规则擅长处理确定性逻辑（如年龄限制、黑名单），模型擅长处理概率性预测（如违约概率）。两者通过以下三种模式协同工作：

2.4 规则与模型协同的决策流

为了更直观地展示规则与模型在真实审批中的交互，下图以“规则前置”模式为例，绘制了从申请提交到最终决策的完整数据流与决策流：

2.5 本章小结与课程衔接

授信决策引擎是一个由数据接入、规则引擎、模型推理、决策编排、日志与监控组成的复杂系统。规则与模型通过前置、后置、并行三种模式协同，共同完成信贷审批。理解这一基础架构，对于后续章节至关重要：

• 特征漂移的源头： 数据接入层的变化（如征信接口升级）、规则引擎的阈值调整、模型版本迭代，都会引发特征分布偏移。
• 监控的粒度： 不能只看模型输入，还要监控规则命中率、拒绝率、各阶段通过率，才能准确定位漂移发生的环节。
• LightGBM 的角色： 在模型推理服务中，LightGBM 作为核心评分模型，其特征重要性排序是漂移归因的关键工具——下一章将正式进入 LightGBM 原理与重要性计算。