一、风险评分卡概述：什么是评分卡、评分卡在金融风控中的角色、评分卡开发流程概览
1.1 评分卡到底是什么？
先说说我对评分卡的理解。说白了，评分卡就是一个数学公式，把客户的各种信息转化成分数。分数越高，代表风险越低。就这么简单。
我刚开始做风控那会儿，见过最原始的评分卡——就是一张A4纸，上面列着十几个问题，每个选项对应一个分值。信贷员拿着这张纸，一边问客户问题，一边手动打分。最后加总，决定批不批贷款。
现在当然都自动化了。但核心逻辑没变：
- 年龄：25岁以下扣5分，25-35岁加10分，35岁以上加15分
- 收入：月入5000以下扣10分，5000-10000加5分，10000以上加15分
- 工作年限：不满1年扣8分，1-3年加3分，3年以上加10分
嗯，这就是最朴素的评分卡。只不过现在我们用机器学习、逻辑回归来算这些分数，更科学、更精准。
核心定义：评分卡是一个将客户特征映射为风险分数的数学模型。分数越高，违约概率越低。
1.2 评分卡在金融风控中的角色
评分卡在金融风控里到底扮演什么角色？我打个比方你就明白了。
你想想看，银行每天要处理成千上万个贷款申请。每个申请人都说自己信用好、还款能力强。但怎么判断真假？靠人工一个个审核？不现实。
评分卡就是那个「自动裁判」。它把每个申请人的信息过一遍，给出一个分数。风控人员只需要看分数，就能快速做决策。
具体来说，评分卡在三个环节发挥作用：
- 贷前准入：客户一进来，先过评分卡。分数低于某个阈值，直接拒绝。这叫「硬拒绝」。
- 贷中管理：已经放款的客户，定期跑评分卡。分数突然下降？说明客户可能出问题了，需要提前干预。
- 贷后催收：逾期客户也要打分。分数高的，可能只是忘了还款，发个短信提醒就行。分数低的，赶紧打电话催收。
我在项目中遇到过一件事。有个客户申请贷款时评分卡分数很高，顺利放款。但三个月后，评分卡分数突然暴跌。系统自动触发了预警。我们一查，发现这个客户最近频繁在其他平台借贷，已经快「以贷养贷」了。还好发现得早，及时做了催收处理。
个人经验：评分卡不是万能的。它只能告诉你「这个客户风险高」，但不能告诉你「为什么高」。所以评分卡要和规则引擎配合使用。规则引擎负责「抓坏人」，评分卡负责「排风险」。
1.3 评分卡开发流程概览
开发一个评分卡，到底要经过哪些步骤？我把它总结成六个阶段。每个阶段都有坑，我一个个说。
第一阶段：数据准备
这一步最枯燥，但也最重要。没有好数据，再牛的模型也是白搭。
- 收集历史客户数据：包括申请信息、征信报告、还款记录
- 定义好坏客户：逾期30天算坏？还是90天算坏？这个定义直接影响模型效果
- 数据清洗：缺失值、异常值、重复值，一个都不能放过
我曾经因为好坏客户定义没统一，导致模型上线后效果极差。后来花了整整两周重新定义、重新建模。嗯，这个坑我替你们踩过了。
第二阶段：特征工程
原始数据不能直接用。你得把「年龄」变成「年龄分段」，把「收入」变成「收入区间」。这个过程叫特征工程。
- 连续变量离散化：比如年龄分成18-25、25-35、35-45、45以上
- 类别变量编码：比如职业分成白领、蓝领、自由职业
- 衍生变量：比如「收入/负债比」、「近3个月查询次数」
第三阶段：变量筛选
特征工程做完，你可能得到几百个变量。但评分卡不需要这么多。我们要挑出最有效的那些。
常用的筛选方法：
- IV值：衡量变量对好坏客户的区分能力。IV值大于0.1的，才考虑保留
- 相关性分析：两个变量高度相关？只保留一个
- 业务可解释性：有些变量统计上很有效，但业务上说不通。比如「客户名字长度」？这种变量再有效也不能用
第四阶段：模型训练
这一步反而是最「简单」的。因为主流方法就一个——逻辑回归。
为什么用逻辑回归？因为评分卡要求可解释性。你给客户打50分，你得能说清楚为什么扣了这50分。逻辑回归的系数可以直接解释，而XGBoost、神经网络这些黑盒模型做不到。
注意：评分卡模型的核心不是预测精度，而是可解释性和稳定性。一个精度高但解释不了的模型，在金融风控里是行不通的。
第五阶段：评分转换
模型训练完，你得到的是概率值（比如违约概率0.3）。但业务人员看不懂概率。他们要看分数。
所以要把概率转换成评分。转换公式长这样：
Score = Offset + Factor * ln(odds)
其中：
- odds = 好客户概率 / 坏客户概率
- Offset 和 Factor 是预设的常数
- 通常设定：odds每翻一倍，分数增加20分举个例子：如果odds=50时分数是600分，那么odds=100时分数就是620分。分数越高，风险越低。
第六阶段：模型验证与上线
模型做完了，不能直接上线。得先验证：
- 区分度：KS值大于0.3，说明模型能有效区分好坏客户
- 稳定性：PSI值小于0.1，说明模型在不同时间段表现稳定
- 回测：用历史数据模拟上线效果，看看拒绝率、坏账率是否在预期范围内
验证通过后，才能部署到生产环境。但上线不是终点。评分卡需要定期监控、定期迭代。市场在变，客户在变，评分卡也得跟着变。
避坑指南：我曾经见过一个团队，评分卡上线后一年没更新。结果市场环境变了，模型效果直线下降，坏账率飙升。记住，评分卡是有「保质期」的。建议每季度做一次稳定性监控，每年做一次模型迭代。
1.4 评分卡开发全流程框架图
下面这张图，是我自己总结的评分卡开发全流程。你保存下来，以后做项目时对照着看，能少走很多弯路。
这张图我画了好几次才满意。你仔细看，从数据准备到验证上线，是一个完整的闭环。而且上线之后不是终点，虚线箭头表示要持续监控、定期迭代。很多团队就是忽略了这一步，导致模型越跑越偏。
我的建议：刚开始做评分卡的同学，别急着调模型参数。先把数据准备和特征工程做好。这两个阶段占整个项目80%的工作量，也决定了80%的效果。模型训练反而是最简单的部分。
公众号:蓝海资料掘金营，微信deep3321