评分模型基础理论：什么是评分卡、概率与评分转换、模型评估指标
好，咱们进入正题。评分模型这块，说白了就是给每个客户算个分。分高的人风险低，分低的人风险高。听起来简单吧？但这里面的门道，我做了这么多年风控，踩过的坑可不少。
今天我就把评分卡的核心逻辑、概率怎么转成分数、以及怎么判断模型好不好，一次性给你讲透。
一、什么是评分卡？
评分卡，不是一张卡片。它是一种将客户特征（比如年龄、收入、征信记录）映射成一个分数的工具。你想想看，银行信贷员拿到一个申请，他不可能直接看一堆原始数据就拍脑袋说“这人能贷”。他需要一个标准化的打分工具。
我个人习惯把评分卡分成三类：
- 申请评分卡（A卡）：客户刚提交申请时用。我见过很多公司，A卡做得太粗糙，结果把好客户拒了，坏客户放进来了。
- 行为评分卡（B卡）：客户已经贷了款，观察他的还款行为。比如他是不是经常逾期、是不是提前还款。嗯，这里要注意，B卡的数据更新频率要高，不然滞后性会让你吃大亏。
- 催收评分卡（C卡）：客户逾期了，判断催收优先级。我曾经遇到过，一个客户逾期30天，系统评分显示“低风险”，结果催收团队没重视，最后变成坏账。后来我调整了C卡的权重，才把这个问题压下去。
评分卡的核心公式其实不复杂：
Score = Offset + Factor × ln(Odds)其中 Odds = p/(1-p)，p 是违约概率。Offset 和 Factor 是两个常数，后面我会讲怎么算。
核心要点：评分卡的本质，就是把复杂的统计模型，变成一个业务人员能看懂、能操作的分数。你不需要懂逻辑回归，你只需要知道“分数越高，风险越低”。
二、概率与评分转换
好，现在问题来了：模型算出来的是违约概率 p，比如 0.1（10%的违约概率）。但业务上我们需要一个整数分数，比如 600 分。怎么转？
这里有个关键概念叫 Odds（几率）。Odds = p/(1-p)。如果 p=0.1，Odds = 0.1/0.9 ≈ 0.111。意思是违约与不违约的比例是 1:9。
评分转换的步骤，我一般这么干：
- 设定基准点：比如 Odds = 50:1 时，分数设为 600 分。
- 设定刻度：Odds 翻倍，分数增加 20 分。这叫 PDO（Points to Double the Odds）。
- 计算 Offset 和 Factor：
Factor = PDO / ln(2)
Offset = 600 - Factor × ln(50)举个例子，PDO=20，那么 Factor = 20 / 0.6931 ≈ 28.85。Offset = 600 - 28.85 × 3.912 ≈ 487.1。
然后任意一个客户的分数就是：
Score = 487.1 + 28.85 × ln(Odds)你想想看，如果 Odds=50，Score=600。如果 Odds=100，Score=620。分数越高，Odds 越高，违约概率越低。这个逻辑很直观吧？
避坑指南：我曾经在项目里直接用了默认的 PDO=20，结果发现分数分布太集中，区分度不够。后来我改成 PDO=30，才把好客户和坏客户拉开距离。所以 PDO 不是死的，要根据你的业务数据调。
三、模型评估指标
模型建好了，分数也算了，怎么知道它好不好？光靠感觉不行，得看指标。我一般看这几个：
1. KS 值（Kolmogorov-Smirnov）
KS 值衡量的是模型区分好坏客户的能力。值越大，区分度越好。通常 KS > 0.3 就算可用，> 0.5 就算优秀。
但注意，KS 太高（比如 > 0.75）反而有问题，可能是过拟合了。我见过一个团队，KS 做到 0.8，结果上线后一塌糊涂。为什么？因为模型把噪声也学进去了。
2. AUC（Area Under the ROC Curve）
AUC 是 ROC 曲线下的面积。0.5 是随机猜，1.0 是完美模型。一般 AUC > 0.7 可接受，> 0.8 不错，> 0.9 很好了。
我个人习惯把 AUC 和 KS 一起看。如果 AUC 高但 KS 低，说明模型整体不错，但某个区间区分度差。这时候要检查是不是特征有问题。
3. 混淆矩阵
这个最直观。把预测结果和真实结果放在一个 2x2 的表格里：
| 实际好客户 | 实际坏客户 | |
|---|---|---|
| 预测好客户 | TN（真负） | FN（假负） |
| 预测坏客户 | FP（假正） | TP（真正） |
从混淆矩阵可以算出：
- 准确率：(TN+TP)/(TN+FP+FN+TP) —— 但注意，如果坏客户很少，准确率会虚高。
- 召回率：TP/(TP+FN) —— 看模型抓出了多少坏客户。
- 精确率：TP/(TP+FP) —— 看模型预测的坏客户里，有多少是真的坏。
重要提醒：不要只看准确率！在汽车金融风控里，坏客户比例通常很低（比如 2%）。如果你把所有客户都预测为好客户，准确率也有 98%，但模型完全没用。一定要看召回率和精确率的平衡。
4. 稳定性指标（PSI）
模型上线后，分数分布会不会随时间变化？PSI（Population Stability Index）就是干这个的。PSI < 0.1 表示稳定，0.1-0.25 需要关注，> 0.25 说明模型已经失效了。
我曾经遇到一个案例，模型上线三个月后 PSI 飙到 0.3。一查原因，原来是市场政策变了，客户群体结构发生了变化。后来我加了一个自动监控 PSI 的流程，一旦超过阈值就触发模型重训。
四、知识体系总览
说了这么多，我画了一张图帮你理清思路。这张图把评分卡、概率转换、评估指标串在一起，你看完应该能有个整体框架。
这张图你看懂了吗？从左到右，先是评分卡的三种类型，然后是概率怎么转成分数，最后是评估模型好坏的指标。这三块缺一不可。
总结一下：评分卡是工具，概率转换是桥梁，评估指标是标尺。没有标尺，你都不知道自己的模型是优是劣。我建议你每次建完模型，先把 KS、AUC、PSI 跑一遍，再决定要不要上线。
好了，这一章的内容就到这里。记住，理论是基础，但真正让你成长的，是项目里踩过的坑。下一章我们会聊评分模型的实际开发流程，到时候我会把代码和案例一起拿出来。