转载自:http://www.cnblogs.com/nxld/p/6364706.html
如今在银行,P2P等各种贷款业务机构,普遍使用信用评分,对客户实行打分制,以期对客户有一个优质与否的评判。但是不是所有人都知道信用评分卡还分A,B,C卡三类!所以,如果你只知道ABC是Gary的ABC汤,那就赶紧来补习下这些知识吧~~
打分卡技术的核心原理是使用一组变量,通过变量取值得到一个客户信用评分,该评分后面对应的实际上是好坏比,比如国际有名的FICO评分680分对应的好坏比是144:1。对银行来说,掌握了好坏比率,就明确了未来的盈利情况。举例来说,假定银行当前客户群的好坏比率是20/1,即21个人中20个是好的,一个是坏的。对这个人群发放贷款,必须通过20个人的收入来抵消1个坏客户的支出(假定坏账户本金全部损失),以最后利润率3%计算,经过计算,可以得到最低放贷利率为8.15%,即对这个人群必须用8.15%的利率才能得到期望的理论收益;同样的方法可以算出,对好坏比率80/1的客户群,其利率是4.2875%。打分会有偏差,好比价值和价格出现偏差一样。
3.打分卡使用
打分卡使用场合很多,包括营销评分、申请评分、行为评分、回款催收评分等等,按照具体的产品还可以分为信用卡、车贷、房贷、经营性贷款评分等等,还有按照不同地域的评分等等。根据不同的业务战略,打分卡的各项参数要做设定,打分卡的使用比打分卡开发更重要。
4.打分卡开发
打分卡开发方法,包括逻辑回归、神经网络、决策树、马尔科夫链、生存分析等等,用的最多的,还是传统的逻辑回归,采用逻辑回归的打分卡开发基本流程大致为选取样本、定义好坏标准、寻找可用变量、选择变量、评分模型开发、设置取舍点(cutoff)六个过程,其主要工作量在前面几部。打分卡模型一般包含15个左右变量,这是由于变量之间一般都会有耦合(耦合是指两个或两个以上的电路元件或电网络等的输入与输出之间存在紧密配合与相互影响,并通过相互作用从一侧向另一侧传输能量的现象.耦合效应(Coupling Induction),也称互动效应,联动效应),比如职务和职称,职务高的人一般职称也高,但不应该重复计算。如果变量太多,去掉变量间耦合会比较困难,也会使模型不稳定,某个变量的小小变化可能导致分值变化很大。
运用信用评分卡需要注意的问题
1、开展信用卡业务的历史要长。
评分卡的发展必须以历史数据为依据,如果银行刚开始发行信用卡,还没有历史数据,或虽然已经发卡,但历史太短,数据不充分,则不具备开发评分卡的条件。
2、发展信用评分卡需要大量的数据,而且数据的质量要好。(数量+质量)
如果数据很少,不具有代表性或数据质量很差,有很多错误,那么基于该数据的评分卡就不会准确,那么申请评分卡的发展就会受到制约。
3、数据的保存要完整
银行必须把历史上各个时期申请该信用卡的客户申请表信息、当时的信用报告记录、开户的信用卡账户表现好坏等数据保存起来,不仅所有被批准的客户的数据要保存,被拒绝的申请者数据也应该保存,以进行模型的表现推测。而且,保存的数据不仅要足以提炼出各种预测变量,还要能够辨别其表现(好、坏等)。
4、申信用评分卡只是提供了决策依据,不是决策本身。
信用评分卡并不能告诉审批人员某个客户一定是好的或坏的,它只是告诉我们一定的概率,因此,对于有些客户的申请审批决定就必须综合信用报告等其它信息作出判断。
5、一张申请评分卡很难满足整个人群,需要针对不同人群建立单独的评分卡。(千人千面,分层)
由于我行客户分布在全国各地,存在着较大的地域差别,各地区经济发展也存在着较大差别,客户消费习惯有较大差异,如果使用一张申请评分卡就会造成信用评分的不真实。
6、时间越久,信用评分卡的有效性会降低,因为经济环境、市场状况和申请者、持卡者的构成在不断变化,使得样本人群的特质和属性发生改变,特别是在经济高速发展的阶段,人群的生活方式、消费习惯、经济状况等变化很快,申请评分模型在应用一段时间后通常会与初期模型产生偏移,所以需要适当重新调整,必要时还要重新开发,以保证信用评分卡的有效性。