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。
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：
- 确定模型的目标和分组
- 确定样本的好坏定义
- 确定样本数据的观察期和表现期
- 确定样本排除规则
- 确定样本的抽样设计
（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。
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
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。
（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
- 好坏客户抽样
一般先把坏样本抽取出来，根据数据量按照 坏：好为1：10配比 。 - 训练集/测试集/验证集抽样
训练集、测试集、验证集切分比例一般是7:2:1，注意每一个集合要按抽样的好坏比分成切分。
2.数据处理
数据准备主要有以下步骤：
- 数据准备
- 数据加工
- 数据质量分析
- 数据清洗
（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：
- 《数据化风控：信用评分建模教程》
- 全书思维导图：https://zhuanlan.zhihu.com/p/104745239
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