从业务视角理解评分卡分数映射

目前在个人信用风控建模领域常见的模型有两种：

1）基于线性回归分析的评分卡模型，常见于银行背景的放贷机构；

2）基于大数据的机器学习模型，如随机森林、XGBoost等，常见于互联网金融领域。

这两种建模方法无论哪种都需要将模型结果映射到信用分数空间，最终呈现给用户一个能够表征信用的分数，比如国内的芝麻分，美国的FICO分。

那么问题来了，模型结果和分数同样都是数值，为什么不直接呈现模型结果？为什么还要进一步转化为分数？

要搞懂这个问题，就需要深入到业务中，结合业务背景去理解分数的意义和模型结果映射到分数的内在逻辑。

下面我们就从简单到复杂，一步步拆解给出不同业务下的模型使用和分数映射方法。

01、小作坊模式 —— 一款产品一个模型

先从最简单的情况入手，假设我们现在成立了一家小信贷公司，推出一款借贷产品，详情如下：

此时摆在我们面前的第一个问题就是：如何让这款产品盈利？

也就是说要把钱借给信用好的用户，能够按时还款的用户，这样才能保证产品能够盈利。在信贷领域通常逾期超过30天的用户基本上就不会再还钱了，自然的我们就可以通过逾期率来衡量用户的好坏程度。

逾期率多少是可以忍受的？

按照这个公式计算出逾期率的盈亏平衡点：