其他分享
首页 > 其他分享> > 数据化风控之信用评分建模(一)— 评分卡概述、模型设计、数据处理

数据化风控之信用评分建模(一)— 评分卡概述、模型设计、数据处理

作者:互联网

一.信用评分卡概述

如今在银行、消费金融公司等各种贷款业务机构,普遍使用信用评分,对客户实行打分制,以期对客户有一个优质与否的评判。
根据零售贷款生命周期不同阶段,分别开发了申请(A卡)、行为(B卡)、催收(C卡)三类评分卡。区分不同阶段的原因是由于不同阶段可获 得的客户信息是不同的,分为三类评分卡能够更充分利用这些信息来区分客户风险。

1.申请评分卡(Application Score)

申请评分卡主要是对每一笔新申请的贷款进行评分。主要是用在信贷准入门槛的设计和授信额度的确定方面。
在数据上,在贷款申请阶段,很多客户历史上与 银行没有信贷关系。因此,可用来评 判贷款风险的信息主要就是客户基本 信息、第一还款来源信息、第二还款 来源信息、客户征信信息等。

2.行为评分卡(Behavior Score)

行为评分卡一般按月对未逾期的贷款进行评分。主要是用来在贷后管理中确定客户风险的高低,进而根据风险的不同采取不同的贷后管理手段。

3.催收评分卡(Collection Score)

催收评分卡一般是对当前月逾期的贷款进行评分。主要是用来在 催收管理中确定风险比较高的客户,进而根据风险的不同采取不同的催收手段。
在贷后管理和催收管理阶段,很多贷款客户具有了丰富的行为信息, 例如最近12个月逾期的次数(贷记卡的行为信息更为丰富,例如是在 “超市购物”刷卡还是“透支取现”刷卡),这些信息比申请信息能够更 有效的区分风险。因此,有必要专门开发行为和催收评分卡来开展贷 后管理和催收管理。

二.模型开发步骤

首先来看模型开发框架,主要分为数据准备,模型设计,模型开发,开发验证等四个阶段。
image

1.模型设计

首先根据具体的应用场景,进行模型设计。主要需要设计以下几点:

(1)模型细分

根据应用场景确定模型目标和客户范围,将有助于制定有针对性的业务管理政策,实施差别化的信贷管理。

(2)好坏样本定义

根据业务需求确定样本的好坏,即确定模型目标需要区分哪些不同类别的人群/产品。
以催收老赖客户预测模型举例,假设银行想找到逾期客户中的老赖客户,采取更为有力的措施,首先要定义什么叫老赖客户。 可以通过滚动率分析,分析各逾期状态下进一步变坏的可能性,从而确定坏定义的建议。
image
上例所示,逾期M3的账户在下月滚动至更差状态M4的比例为 80.21%,而M4滚动到M5的比例为88.36%,这意味着,一旦账户到达 M3状态后,80%以上不会再变好(滚回更小的逾期状态M0-M2),同 时相比较M4与M5状态滚到更差状态的比例也基本接近,因此选取M3+ 作为坏定义是较为合理且符合业务审慎原则的选择。

(3)确定观察期和表现期

image
观察点
在这一时间点上,账户和客户的信息被作为“当前月”信息进行提取,等同于对账户/ 客户进行风险评估的生产系统中的当前月。
观察期
观察期主要用来收集样本的行为数据,一般是一个时间窗口,获取近几个月的行为习惯统计信息,以保证收集充分数量的样本用于评分开发。
表现期
一般根据样本在表现期内的表现来确定样本的好坏定义。表现期的长度需要适度,要确保观察样本的行为已充分暴露,并且已达到稳定的状态。例如,图中的绿线代表是累计坏账率,可以看到横坐标在22天左右,累计坏账率已经到达了90.97%,之后的变化较小。可以判定坏样本的行为在22天内已达到趋于稳定给的状态,表现期就可以选22天。
image

(4)样本排除规则

样本排除规则需要排除在评分卡开发样本之外账户, 例如:政策拒绝客群或账户、不使用评分卡管理的客群或产品、表现不足或无 行为表现或表现可能失真的账户等。

(5)样本抽样

2.数据处理

数据准备主要有以下步骤:

(1)数据准备

根据模型目标和业务范围,可依据业务经验拟好备选变量和变量衍生规则,准备好能覆盖观察期和表现期的时间范围的数据。

(2)数据加工

梳理备选变量的数据来源以及取数规则,进行数据加工。同时,做数据探索,对备选变量进行时间维度和统计维度上的衍生或组合衍生。

(3)数据质量分析

可对备选变量进行数据质量分析,出数据质量报告,包括的均值,最大,最小,分位数,空值率,频数等等。 同时可对数据进行去重,做异常值和空值的标记等。(比如标记为'999')。

(4)数据清洗

根据数据质量报告,进行数据清洗,包括异常值剔除,高空置率变量剔除,空值填充等。

本节介绍了信用评分卡的概述,模型开发框架的模型设计和数据处理相关的内容。下节将继续介绍模型开发,模型评估验证相关内容。

参考资料:

标签:化风控,评分,模型,样本,建模,催收,客户,数据
来源: https://www.cnblogs.com/laiyaling/p/13634348.html