有3種評分卡：
A卡：申請評分卡，位於貸前，預測客戶帶來的違約風險，相當於用老客戶數據預測新客戶的模式（bb說）。
B卡：行爲評分卡，位於貸中，預測客戶開戶後違約欠款的風險，相當於對借貸期間的風險進行監控（bb說的）。
C卡：催收評分卡，位於貸後，對逾期客戶預測催收策略反應的概率。
申請評分卡一般是預測一個客戶是好客戶or壞客戶，這是一個二分類問題。但實際建模之後，還需要看風險表現，包括逾期天數和逾期金額，業務方會期望低分段客戶有更高的逾期天數和更大的逾期金額。從這個角度看，A卡似乎不是一個二分類可以解決的，因爲涉及到客戶壞的程度和客戶好的程度，也就是不僅預測客戶“好或壞”，還要給出“好或壞”概率。
既然這樣，那可以將好的程度和壞的程度融合進模型訓練嗎？讓模型同時學習到好壞客戶之分，以及好的程度和壞的程度。
筆者想到一個可行方案：
定義：逾期天數和逾期金額作爲加權權重，壞客戶記標籤1，好客戶記標籤-1，逾期天數比例Pt和逾期金額Pm比例作爲權重，乘以標籤，得到一個概率值：
（1）Pt*Pm*（+1），對於壞客戶，這個Pt*Pm概率是一個大於0、趨向於1；
（2）（1-Pt）*（1-Pm）（-1），對於好客戶來說，這個概率是一個小於0，趨向於-1的概率。
最後在將概率從（-1,1）縮放到（0,1）。
模型訓練時候使用均方誤差和作爲損失函數
筆記：
逾期天數：按月看，在當前月份下，累積的逾期天數。
逾期金額：到當前時間點時，客戶尚未還款金額。
好壞標準：在前N期（6或者8）之內，累積逾期天數超過M天（30）的客戶爲壞客戶，否則爲好客戶。
風險表現：分數的切分點，期望客戶數目呈現正態分佈（壞客戶少數，好客戶少數，不壞不好客戶佔大多數），而且少數的低分段客戶累計放款金額佔整體放款金額的5-6%上下，逾期天數和逾期金額的下降趨勢要快速、而且不同分段要有明顯區分度。
-- 未完待續 --