零、什麼是信用評分卡
如今在銀行、消費金融公司等各種貸款業務機構，普遍使用信用評分，對客戶實行打分制，以期對客戶有一個優質與否的評判。信用評分卡多分爲A,B,C卡三類：
- A卡（Application score card）申請評分卡
- B卡（Behavior score card）行爲評分卡
- C卡（Collection score card）催收評分卡
其評分機制的區別在於：
- 使用的時間不同。分別側重貸前、貸中、貸後；
- 數據要求不同。A卡一般可做貸款0-1年的信用分析，B卡則是在申請人有了一定行爲後，有了較大數據進行的分析，一般爲3-5年，C卡則對數據要求更大，需加入催收後客戶反應等屬性數據；
- 每種評分卡的模型會不一樣。在A卡中常用的有邏輯迴歸，AHP等，而在後面兩種卡中，常使用多因素邏輯迴歸，精度等方面更好。
信用評分是指根據銀行客戶的各種歷史信用資料，利用一定的信用評分模型，得到不同等級的信用分數，根據客戶的信用分數，授信者可以通過分析客戶按時還款的可能性，據此決定是否給予授信以及授信的額度和利率。
雖然授信者通過人工分析客戶的歷史信用資料，同樣可以得到這樣的分析結果，但利用信用評分卻更加快速、更加客觀、更具有一致性。
一、引進信用評分卡的目的及意義
- 由於零售信貸業務具有筆數多、單筆金額小、數據豐富的特徵，決定了需要對其進行智能化、概率化的管理模式。信用評分模型運用現代的數理統計模型技術，通過對借款人信用歷史記錄和業務活動記錄的深度數據挖掘、分析和提煉，發現蘊藏在紛繁複雜數據中、反映消費者風險特徵和預期信貸表現的知識和規律，並通過評分的方式總結出來，作爲管理決策的科學依據。
- 目前國內大多數銀行信用卡部門採取人工審批作業形式，審批依據是審批政策、客戶提供的資料及審批人員的個人經驗進行審批判斷，存在以下問題：
(1) 信審人員對申請人所提交申請資料真實性的認定基本依賴於受理申請資料的信貸業務員的職業操守和業務素質，審批人員對申請人資料的核實手段基本依賴於電話覈查，對申請覈准與否基本依賴於自己的信審業務經驗，授信審查成本高、效率低而又面臨很大的欺詐風險，這種狀況很難應對年末所謂的“行業旺季”中大規模集中的小額貸款業務需要。
(2) 審批決策容易受主觀因素影響、審批結果不一致，審批政策調控能力相對薄弱。
(3) 不利於量化風險級別，無法進行風險分級管理，影響風險控制的能力及靈活度，難以在風險與市場之間尋求合適的平衡點。
(4) 審批效率還有較大提升空間。
- 信用評分卡具有客觀性，它是根據從大量數據中提煉出來的預測信息和行爲模式制定的，反映了借款人信用表現的普遍性規律，在實施過程中不會因審批人員的主觀感受、個人偏見、個人好惡和情緒等改變，減少了審批員過去單憑人工經驗進行審批的隨意性和不合理性。
- 信用評分卡具有一致性，在實施過程中前後一致，無論是哪個審批員，只要用同一個評分卡，其評估和決策的標準都是一樣的。
- 信用評分卡具有準確性，它是依據大數原理、運用統計技術科學地發展出來的，預測了客戶各方面表現的概率，使銀行能比較準確地衡量風險、收益等各方面的交換關係，找出適合自己的風險和收益的最佳平衡點。
- 運用信用評分卡可以極大地提高審批效率。由於信用評分卡是在申請處理系統中自動實施，只要輸入相關信息，就可以在幾秒中內自動評估新客戶的信用風險程度，給出推薦意見，幫助審批部門更好地管理申請表的批覈工作，對於業務批量巨大、單筆業務金額較小的產品特別適合。
二、信用評分模型的簡介
信用評分模型的類型較多，比較常使用的3個如下：
- 在客戶獲取期，建立信用局風險評分，預測客戶帶來違約風險的概率大小；
- 在客戶申請處理期，建立申請風險評分模型，預測客戶開戶後一定時期內違約拖欠的風險概率，有效排除了信用不良客戶和非目標客戶的申請；
- 在帳戶管理期，建立催收評分模型，對逾期帳戶預測催收策略反應的概率，從而採取相應的催收措施。
三、信用評分卡的開發
信用評分模型開發流程包括模型的設計與規劃、樣本的選擇、預測變量的選擇和確定、模型的制定、模型效果的評估和檢驗、模型的實施、模型表現的跟蹤和監控等。
1. 建立開發目標、方法及業務問題的定義
開發目標：
1、確保決策的一致性，減少人工干預，提高信貸政策的執行力；
2、準確反映並量化客戶的風險級別，用科學的方法管理風險以控制和減少信貸損失；
3、提高市場競爭能力，在控制可接受的風險水平的同時爭取更多優質客戶，有效地提高市場佔有率；
4、實現審批流程自動化，減少運營成本。
模型建立方法：建立模型可採用的方法很多，業內通常使用邏輯迴歸方法建立貸款申請評分模型。
好、壞客戶定義：好、壞客戶的定義必須與銀行總體政策、管理目標一致，綜合考慮風控策略、催收策略、業務歷史、樣本數量的需要，如定義曾經有90天以上逾期不良記錄的客戶爲壞客戶；定義滿12個月，未出現90天以上逾期記錄的客戶爲好客戶。
2. 確定數據源，選取樣本
數據來源：內部信用卡核心系統數據庫和其它相關業務系統；
樣本總數量：選取某地區從2014年1月開始2016年6月的所有申請人，總數120，000人（包括好、壞客戶及拒絕的申請客戶）；
樣本空間：
1、壞客戶樣本空間：2014年8月至2016年2月之間開戶的客戶；
2、好客戶樣本空間：2014年6月至2015年5月之間開戶的客戶；
3、被拒絕客戶樣本空間：2015年7月至2016年6月之間申請被拒絕的客戶。
3. 數據抽取、清理和整理，建立數據集
這一步是開發申請評分模型中最重要、最耗時的步驟之一。數據質量好壞是決定開發的模型成功的關鍵因素。在確定數據來源後，由於需要採集的數據資料來源不一，數據量大，抽取時耗時較多，就需要在原始數據的基礎上，根據業務需求、數據性質、結構及內在邏輯，對數據進行歸類、合併、分組，最終建立數據集（或數據倉庫）。
4. 數據分析、變量選擇及轉換
數據經過整理後下一步進行數據資料的分析，找出其內在關聯性，並經過對樣本變量的分組、合併和轉換，選擇符合建模條件、具有較強預測能力的變量。
如果是連續變量，就是要尋找合適的切割點把變量分爲幾個區間段以使其具有最強的預測能力。例如客戶年齡就是連續變量，在這一步就是要研究分成幾組、每組切割點在哪裏預測能力是最強的。這一步是評分模型非常重要也是最耗費時間的步驟。如果是離散變量，每個變量值都有一定的預測能力，但是考慮到可能幾個變量值有相近的預測能力，因此分組就是不可避免而且十分必要的。
通過對變量的分割、分組和合並轉換，最終剔除掉預測能力較弱的變量，篩選出符合小額貸款實際業務需求、具有較強預測能力的變量，使建立的模型更加有效。
5. 創建評分模型
利用上面分組後形成的最新數據集進行邏輯迴歸運算得到初始迴歸模型。在迴歸模型的基礎上，通過概率與分數之間的轉換算法把概率轉換成分數進而得到初始評分卡。下一步要將初始評分卡經過拒絕推論，所謂拒絕推論，即申請被拒絕的客戶數據未納入評分系統，導致樣本選取的非隨機性，整體信用情況因此被扭曲，信用評分模型的有效性降低。
因爲申請風險評分模型是用來評估未來所有借款申請人的信用，其樣本必須代表所有的借款申請羣體，而不僅代表信用質量較好、被批准的那部分客戶的信用狀況，所以樣本必須包括歷史上申請被拒絕的申請人，否則，樣本空間本身就會出現系統性偏差。因爲樣本排除了較高信用風險的申請人羣體（即歷史上申請被拒絕的客戶）。如果僅僅依靠被批准申請人羣體的樣本開發評分模型，並將其運用到整個申請人羣體中去，而被批准和被拒絕羣體的行爲特徵和“壞”的比例往往大相徑庭，那麼這種以被批准羣體代表被拒絕羣體的做法將必然在很大程度上弱化模型的預測精度。
進行拒絕推論時，由於這部分被拒絕申請人的好壞表現是不可知的，必須以一定的統計手段來推測。推測的方法有很多，可以利用初始評分卡對這部分被拒絕客戶進行評分，從而得出每個被拒絕客戶如果被審批成爲好客戶的概率和壞客戶的概率，再按其權重放入模型樣本中，這樣會盡量減少樣本的偏差，同時兼顧拒絕樣本的不確定性。我們利用拒絕推論後形成的樣本（包括覈准和拒絕的）重新對每個變量進行分組，其原理和方法與初始分組相同。然後對第二次分組形成的數據集建立邏輯迴歸模型。最後在第二次迴歸模型的基礎上，通過概率與分數之間的轉換算法把概率轉換成分數，進而得到最終評分卡。
6. 模型檢驗
模型建立後，需要對模型的預測能力、穩定性進行檢驗後才能運用到實際業務中去。申請評分模型的檢驗方法和標準通常有：交換曲線、K-S指標、Gini數、AR值等。一般來說，如果模型的K-S值達到30%，則該模型是有效的，超過30%以上則模型區分度越高，本例中模型的K-S值達到40%以上，已經可以上線使用。
7. 建立MIS報表，模型的實施、監控及調整
模型實施後，要建立多種報表對模型的有效性、穩定性進行監測，如：穩定性監控報表，比較新申請客戶與開發樣本客戶的分值分佈，監控模型有效性；特徵分析報表，比較當前和開發期間的每個記分卡特徵的分佈，監控模型有效性；不良貸款分析報表，評估不同分數段的不良貸款，並且與開發時的預測進行比較，監控客戶信貸質量；最後分值分析報表，分析不同分數段的申請人、批准/拒絕以及分數調整的客戶分佈，監控政策執行情況等。
另外，隨着時間的推移，申請評分卡的預測力會減弱，因爲經濟環境、市場狀況和申請者、持卡者的構成在不斷變化，同時，銀行整體策略和信貸政策的變化也要求評分模型適時調整，所以，申請評分卡在建立後需要持續監控，在應用一段時間（一般2-3年）以後必須適當重新調整或重建。
四、運用信用評分卡需要注意的問題
1. 開展貸款業務的歷史要長。
評分卡的發展必須以歷史數據爲依據，如果公司開展小貸業務的歷史太短，數據不充分，則不具備開發評分卡的條件。
2. 發展信用評分卡需要大量的數據，而且數據的質量要好。
如果數據很少，不具有代表性或數據質量很差，有很多錯誤，那麼基於該數據的評分卡就不會準確，那麼申請評分卡的發展就會受到制約。
3. 數據的保存要完整
小貸公司必須把歷史上各個時期申請貸款的客戶申請表信息、當時的信用報告記錄等數據保存起來，不僅所有被批准的客戶的數據要保存，被拒絕的申請者數據也應該保存，以進行模型的表現推測。而且，保存的數據不僅要足以提煉出各種預測變量，還要能夠辨別其表現（好、壞等）。
4. 信用評分卡只是提供了決策依據，不是決策本身。
信用評分卡並不能告訴審批人員某個客戶一定是好的或壞的，它只是告訴我們一定的概率，因此，對於有些客戶的申請審批決定就必須綜合信用報告等其它信息作出判斷。
5. 一張申請評分卡很難滿足整個人羣，需要針對不同人羣建立單獨的評分卡。
由於愛投在外地其他省份還有好幾家分公司，存在着較大的地域差別，各地區經濟發展也存在着較大差別，客戶消費習慣有較大差異，如果使用一張申請評分卡就會造成信用評分的不真實。
6. 時間越久，信用評分卡的有效性會降低
因爲經濟環境、市場狀況和申請者、借款人的構成、業務的來源渠道在不斷變化，使得樣本人羣的特質和屬性發生改變，特別是在經濟高速發展的階段（或是股市大牛市階段），人羣的生活方式、消費習慣、經濟狀況等變化很快，申請評分模型在應用一段時間後通常會與初期模型產生偏移，所以需要適當重新調整，必要時還要重新開發，以保證信用評分卡的有效性。