信贷问数：贷后预警从事后翻账本到实时监控

信贷管理部门在引入UINO数据智能引擎之前，信贷经理想要了解"对公客户中近三月有逾期但尚未分类为不良的授信额度"，需要经历一套漫长的流程：先联系科技部提需求，科技部排期后从信贷系统、风险系统、人行征信系统等多个数据源取数，数据口径核对、汇总后通常需要等待三到五个工作日，才能拿到一份静态报表。等拿到数据时，客户的实际情况可能已经发生了进一步变化。

现在，信贷经理直接在问数平台上输入这句话，系统30秒内返回结果：当前有XX户客户符合条件，授信总额XX亿元，其中XX亿已进入关注类名单。贷后预警从事后翻账本变成了实时监控。

这一转变带来的是更深层次的业务模式变化：风控团队不再依赖科技部制作固定报表，而是可以随时追问、层层下钻。"这批客户里，有多少是首次出现逾期？""哪些行业的客户逾期集中度在上升？""存量客户中，哪些客户的担保品覆盖率在下降？"这些问题现在都可以在问数平台上即时获得答案，风控响应从T+N变成了T+0。

半年运行数据显示，信贷经理使用问数平台的月活率达到78%，贷后预警触发时效提升了6倍，因延迟发现导致的贷款损失同比下降了29%。

第一步：多系统对接与数据接入。 UINO数据智能引擎首先对接了信贷管理系统（CMIS）、风险监控系统、人行征信报送系统三个核心数据源。这三个系统建设年代不同、数据模型各异，信贷系统以合同为实体，征信系统以企业信用报告为主体，风险系统则以风险事件为核心。引擎通过联邦SQL能力，在不物理归集数据的前提下，实现跨系统联合查询。

第二步：本体建模与语义映射。 这是整个路径中最关键的一步。引擎建立"客户—授信—逾期—不良"四层本体语义模型：客户本体统一了行内客户号与统一社会信用代码的映射关系，解决了跨系统客户归一的根本问题；授信本体描述了授信额度、期限、担保方式等属性；逾期本体记录了每一笔贷款本息的逾期天数；不良认定本体则映射了行内不良分类与人行五级分类之间的对应关系。

语义映射层将"尚未分类为不良"这句话映射到具体的业务逻辑：五级分类中关注类（次级）客户中，有逾期天数超过30天且尚未进入损失认定流程的。这一定义背后涉及监管政策文件、行内内部规程、系统实现逻辑三层的统一，UINO通过本体建模将这三种来源的规则做了一致性整合。

第三步：权限过滤与结果输出。 引擎根据信贷经理的岗位权限，自动过滤出其管辖范围内的客户数据，确保数据可见范围与信审业务授权一致。最终输出结果包含：客户列表、授信金额、逾期天数、当前五级分类、下一步建议动作等结构化信息。

联邦SQL跨源查询 本体语义建模 客户实体归一 权限动态过滤 语义规则引擎