信用评分模型

逻辑回归模型：广泛应用在申请评分、行为评分、市场响应、客户流失等建模领域。

决策树模型：往往被用来做催收评分和客户盈利模型。

神经网络模型：用来防止申请和交易欺诈。

信用评分的主要目的是估计消费者的信用情况（正常或违约），具体做法是根据酷虎的历史信息资料，利用合适的数学统计模型，得到消费者违约的概率值。

客户的信息资料：人口统计学数据（性别、年龄、婚姻、收入、住房、居民、教育、种族、子女）、客户行为信息（交易记录、产品所有和使用记录）、征信机构的数据和评分

信用评分的步骤：

（1）业务理解与目标的量化定义

银行信用卡中心的目标：构建信用卡申请者的评分模型+减少客户违约造成的的损失。

信用评分的目标：预测客户是否违约。某银行对于违约的：客户在持卡期间欠款时间逾期90天，视作违约，被标识为“坏”客户。

（2）数据理解

明确商业目标后，下一步寻找数据，帮助实现商业目标。数据来源：银行内部信息+申请表信息+征信局外部信息

数据筛选：考虑样本的大小和质量。下一步数据质量检测和数据整合。

（3）数据准备

数据准备在整个数据评分的过程中非常重要，消耗时间也非常长，大约80%的时间花费在数据准备上。

目的：准备建模视图（宽表），包含预测建模中所有变量的数据宽表，且每个客户只有唯一的一条记录。

三方面的工作：一是收集到不同的数据集，大量清洗和转换，处理异常值和缺失值。二是粗选预测变量