第二章 业务理解与目标定义：信贷业务场景分析、好坏客户定义与模型开发目标设定

说实话，很多做评分卡的人一上来就急着跑模型。我见过太多团队，数据还没理清楚，就开始调参数。结果呢？模型上线后一塌糊涂。嗯，这一章咱们就聊聊，在动手建模之前，那些必须想明白的事。

2.1 信贷业务场景分析

先问自己一个问题：这个评分卡到底用在哪个环节？

我个人习惯把信贷场景分成三类：

• 申请环节（Application）：客户第一次来借钱，我们对他一无所知。这是最典型的场景，也是咱们这本手册的重点。
• 行为环节（Behavior）：客户已经在还款了，我们要不要给他提额？或者他最近行为异常，要不要降额？
• 催收环节（Collection）：客户逾期了，我们要不要外包催收？还是内部催收？

你想想看，这三个场景的目标完全不一样。申请环节看的是“会不会违约”，行为环节看的是“未来价值 vs 风险”，催收环节看的是“能不能收回钱”。

我在项目中遇到过一家消费金融公司，他们想用一套评分卡搞定所有场景。结果申请环节表现还行，但行为环节的AUC直接掉到0.6以下。为什么？因为行为环节需要引入更多时序特征，而申请评分卡压根没考虑这些。

2.2 好坏客户定义

这是评分卡开发中最容易踩坑的地方。我见过最离谱的定义是：“逾期1天就算坏客户”。结果模型训练出来，坏客户占比80%，根本没法用。

2.2.1 观察期（Observe Period）与表现期（Performance Window）

先看一张图，帮你理解这两个概念的关系：

说白了，观察期是你收集特征的时间段，表现期是你判断客户好坏的时间段。这两个窗口不能重叠，这是铁律。

2.2.2 好坏客户的具体定义

我个人建议，好坏客户的定义要遵循三个原则：

1. 业务可解释：定义要能让业务同事一听就懂。比如“逾期90天以上”比“滚动率超过30%”好理解得多。
2. 样本量充足：坏客户占比最好在5%-15%之间。太少了模型学不到东西，太多了说明你的客群本身就有问题。
3. 时间窗口合理：表现期太短（比如3个月），很多坏客户还没暴露；表现期太长（比如24个月），样本时效性太差。

来看一个实际案例：

业务类型	观察期长度	表现期长度	坏客户定义
现金贷（短期）	3-6个月	3-6个月	逾期30天+
消费分期（中期）	6-12个月	6-12个月	逾期60天+
房贷（长期）	12-24个月	12-24个月	逾期90天+

2.3 模型开发目标设定

目标设定这件事，说白了就是回答三个问题：

• 我们要预测什么？—— 违约概率（PD）
• 模型用在哪儿？—— 审批决策、额度定价、还是贷后管理？
• 模型要有多准？—— AUC目标0.75以上？KS目标0.3以上？

我记得有一次，业务方跟我说：“模型AUC要0.9以上。”我当场就笑了。你想想看，如果模型真的能到0.9，那说明你的客群区分度极高，要么是数据质量好得离谱，要么是样本量太小。后来一查，果然，他们只拿了1000个样本做训练。

另外，目标设定还要考虑业务成本。举个例子：

• 如果模型把好客户误判为坏客户（假阳性），你损失的是利息收入。
• 如果模型把坏客户误判为好客户（假阴性），你损失的是本金。

哪个成本更高？显然是本金。所以，在设定模型阈值时，要优先控制假阴性率。我在项目中通常会用“成本矩阵”来辅助决策：

	预测为好客户	预测为坏客户
实际为好客户	正确（收益+）	误杀（损失利息）
实际为坏客户	漏网（损失本金）	正确（避免损失）

嗯，这里要注意：成本矩阵里的数值不是拍脑袋定的，要跟财务部门一起算。比如，一笔贷款的本金是1万，利息是2000。那么漏网一个坏客户的成本是1万，误杀一个好客户的成本是2000。这样算下来，模型阈值应该偏向保守——宁可误杀，不可漏网。

2.4 本章小结

这一章的内容，说白了就是一句话：建模之前，先把业务逻辑理清楚。我见过太多人，数据拿过来就开跑，结果跑出来的模型业务方根本不认。为什么？因为好坏客户的定义跟业务实际脱节了。

所以，我的建议是：

• 花30%的时间做业务理解
• 花30%的时间做数据探索
• 花30%的时间做特征工程
• 最后10%的时间才是建模

顺序千万别搞反了。

---

公众号:蓝海资料掘金营，微信deep3321