一、评分模型概述

大家好，我是老张，在风控这行摸爬滚打了十多年。今天咱们聊聊评分模型——这玩意儿说白了，就是风控系统的"大脑"。你想想看，每天成千上万的申请进来，人工一个个审？不现实。评分模型就是帮我们做决策的那个"自动裁判"。

1.1 什么是评分模型

评分模型，本质上是一个数学公式。它把用户的特征（年龄、收入、历史行为等）映射成一个分数。分数越高，代表风险越低。就这么简单。

我习惯把评分模型比作"体检报告"。你去医院体检，医生不会只看一个指标，而是综合血压、血糖、血脂等多项数据，给出一个健康评分。评分模型也是这个道理——它把用户的多个维度信息综合起来，算出一个风险分。

举个例子。我在项目中遇到过一家消费金融公司，他们最初只用"收入"这一个指标做决策。结果呢？很多高收入但征信差的人通过了，坏账率飙升。后来上了评分模型，把收入、负债、征信、行为数据等十几个特征综合起来，坏账率直接降了40%。

1.2 评分模型在风控中的价值

评分模型的价值，我总结为三点。嗯，这三点是我这些年摸爬滚打出来的经验。

• 标准化决策：人审会有情绪波动，今天心情好就放水，明天心情差就卡严。模型不会。它永远按照同一套规则打分。
• 规模化处理：一个人工审核员一天最多看50个申请。模型呢？每秒处理上千个没问题。双十一那种流量高峰，没有模型根本扛不住。
• 持续优化：模型可以不断迭代。我见过最夸张的一个项目，模型每两周迭代一次，坏账率从8%降到了2.3%。人工审核能做到吗？

说白了，评分模型的价值就一句话：让正确的事，以正确的方式，重复发生。

1.3 评分卡与机器学习模型的区别

这个问题，我每次培训都会被问到。很多人觉得评分卡过时了，机器学习才是未来。其实不是这么回事。

咱们先看个对比表：

维度	评分卡	机器学习模型
可解释性	极高（每个特征贡献一目了然）	较低（黑盒问题严重）
数据要求	相对宽松（可处理缺失值）	较高（需要大量干净数据）
计算复杂度	低（线性模型）	高（树模型、神经网络等）
监管接受度	高（银行、保险等强监管行业首选）	低（需要额外解释工具）
性能上限	中等（线性假设限制）	高（可捕捉非线性关系）

你看，各有优劣。我个人的习惯是：能用评分卡解决的，绝不用机器学习。为什么？因为风控是个强监管领域。你给客户拒了，人家问"为什么拒我"，你得能说清楚。评分卡可以明确告诉你："因为你的收入低于阈值，所以扣了20分"。机器学习呢？"模型说你是高风险"——这种回答在监管面前是过不了关的。

当然，也不是说机器学习不能用。在反欺诈、异常检测这些场景下，机器学习优势明显。我的建议是：核心决策用评分卡，辅助决策用机器学习。两者结合，才是最佳实践。

下面这张图，是我自己总结的评分模型知识体系，帮你快速建立全局认知：

最后说一句：模型不是越复杂越好，适合业务场景的才是最好的。这个道理，我用了好几年才真正理解。

---