本课程,将从信用评分模型的发展、应用、类型及开发流程等多个方面展开介绍,旨在让初学者全面了解其在信贷金融领域里的可靠性及重要性,并且掌握一定的开发能力。
文章目录
1.评分卡简介
1.1 简介
定义: 信用评分模型是运用数据挖掘技术和统计分析方法,通过对消费者的人口特征、信用历史记录、行为记录、交易记录等大量数据进行系统的分析,挖掘数据中蕴含的行为模式、信用特征,捕捉历史信息和未来信用表现之间的关系,发展出预测性的模型,以一个信用评分来综合评估消费者未来的某种信用表现。
应用:信用评分模型是消费者信贷中先进额技术手段,是银行、信用机构、个人消费信贷公司、电信公司、保险公司等涉及消费信用的企业实体最核心的管理技术之一。被广泛应用于信用卡生命周期管理、骑车贷款管理、住房贷款管理、个人贷款管理、消费信贷管理等多领域,在市场营销、信贷审批、风险管理、账户管理、客户关系管理等多方面发挥着十分重要的作用。
起源:信用评分模型的应用和发展,首先是应消费信贷金融机构风险管理的需要而产生的,然后才逐步应用到市场营销管理、收益管理、客户关系管理等领域。
发展:从数理分析技术发展的层次上讲,信用评分魔性的发展经历了3个历史阶段:
- 以客户分类为核心:使用一些描述性统计方法,如均值、方差、频率、概率分布等和探索性统计方法,如聚类分析、因子分析、相关性分析等,对客户资质信息进行简单的分析,结合经验进行初步评估,以此为基础对客户进行分门别类。
- 以预测模型为核心:是信用分析技术的重大突破,它通过对消费信贷机构的外部信息和内部信息等进行深度挖掘,提炼出大量的反映消费者行为特征和资信能力的衍生变量,并运用先进的数理统计技术把各种变量的信息进行综合,系统性地对客户未来某方面的信用表现作出预测。
- 以决策模型为核心:比纯粹的预测模型又进了一步,它不仅对消费者未来信用表现进行预测,还会将其以函数的形式加入决策,综合其他多个参考因子,将其对决策的影响数量化。如风险定价、额度管理,不同消费者对不同的利率、额度等的敏感度不同,也就意味着,需要对不同类型的消费者进行区分决策。
现状:如今,消费金融信贷领域中,评分模型主要应用于:
- 风险管理
- 审批
- 授信
- 评级
- 定价
- 贷后管理
- 催收
- 市场营销
- 获客
- 精准营销
- 交叉销售
效能:它可以为管理人员提供大量具有高度预测力的信息,帮助管理人员制定行之有效的管理策略,以较高的精度有效地开拓市场、控制风险、挖掘收益,实现消费信贷业务的高效益。
技术:数据库技术、数理统计技术、计算机技术的发展,使信用评分模型的发展获得科技基础。消费信贷活动的过程产生大量发展信用评分模型所需要的相关数据,这些数据反映了消费者信用历史、资信状况、信用行为等方面的信息。
- 数据库技术:用于大规模收集、整理、保存、提取数据;
- 数理统计技术:用于从大量的、纷繁复杂的数据中挖掘有用的信息、提炼行为特征、分析行为模式;
- 计算机技术:使数据分析、模型发展、模型自动化实施等的数据处理规模、速度不断扩大,加速了整体技术的发展。
1.2 种类
1.2.1 依预测目的分
- 风险评分模型
- 对违约拖欠的风险概率进行预测
- 收益评分模型
- 对消费者给信贷机构带来收益的潜力大小进行预测
- 流失倾向评分模型
- 对现有客户在未来一定时期内流失的概率进行预测
- 市场反应评分模型
- 对目标客户接受信贷机构影响的概率进行预测
- 转账倾向评分模型
- 对目标客户把贷款余额从别的银行转账过来的概率进行预测
- 循环信贷倾向
- 对目标客户或现有客户利用信用卡账户进行循环信贷的概率进行预测
- 欺诈评分模型
- 对信用卡申请或信用卡交易为欺诈行为的概率进行预测
1.2.2 依发展主体分
- 信用局评分模型(通用化模型)
- 行业共享模型(通用化模型)
- 以银行内部自有数据为评分基础的客户化模型(客制化模型)
1.2.3 依实证化程度分
- 专家风险评分模型
- 半客户化评分模型
- 完全客户化评分模型
1.2.4 依模型对象分
- 账户层次评分模型
- 客户层次评分模型
- 消费者层次评分模型
1.2.5 依生命周期分
- 拓展客户
- 管理决策:目标客户判断、产品/激励、利率/年费/其他收费
- 评分模型:信用局风险评分、信用局收益评分、信用局破产评分、市场反应评分、转载倾向评分
- 审批客户
- 管理决策:是否批准、定价、初始信用额度、交叉销售
- 评分模型:申请风险评分、信用局风险评分、信用局收益评分
- 管理客户
- 管理决策:提高/降低信用额度、交易授权、超额透支授信、反欺诈、重新定价、激活/挽留、坏账催收、续发信用卡
- **评分模型:**行为风险评分、行为收益评分、流失倾向评分、坏账催收评分
1.2.6 依使用时机分
-
A_score
- **定义:**进件评分(application score)对每一笔新申请的贷款进行评分,主要用在信贷准入门槛的设计和授信额度的确定方面
- **数据:**申请前的客户基本信息、登录、行为信息、外部征信数据
- **目的:**预估到期后发生严重拖欠的概率(逾期天数>60天)
- 范围:
- 不经过评分、特列类型的案件处理
- 信息缺失的案件处理
- 评分截点的设定策略
- 例外推翻的控制
- 应用评分决定贷款额度的策略和定价
- 项目:
A_score.rar
-
B_score
- 定义:行为评分(behavior score)按月对未逾期的贷款进行评分,主要用来在贷后管理中确定客户风险的高低,进而根据风险的不同采取不同的贷后管理手段。
- 作用:行为评分可用于信贷客户多方面管理,包括额度管理、市场活动、提前预警等。B_score、历史信贷行为、外部征信源、恶意刷额识别评分
- 策略:按照不同评分,给予不同管理手段策略:
- 特差:早期预警
- 差:限额
- 中:不予调额
- 流失:流失挽回
- 好:提升额度
- 数据:
-
项目:
B_score.rar -
C_score
- 定义:催收评分(collection score),对当前月逾期的贷款进行评分。主要是用来在催收管理中确定风险比较高的客户,进而根据风险的不同采取不同的催收手段
- 数据:逾期信息、行为信息、征信信息、风险分类标注、催收日志挖掘、催收语音转文本
- 模型:
- 催收难度及力度
- 失联修复
- 催收亲密度模型
- 作用:应用评分决定贷款催收管理策略:
- **入催客户:**忘还款、手头紧、老赖
- **计算催收容易度:**设备特征、行为特征、信贷表现、前几期还款情况
- **决策结果:**易、中、难
- 项目:
C_score.rar
-
F_score
- 定义:F_score,利用多种定量方法,评估欺诈概率,拒绝疑似恶意骗贷客户的进件及申请
- 模型:
- 多种算法集成学习
- 业务规则
- 逻辑回归
- 随机森林
- 神经网络
- 关联风险模型
- 图数据库
- 关联图谱
- 定义:利用图数据库、聚类分析和复杂网络,实时识别群体欺诈风险,给出团案预警
- 过程:实时数据清洗——计算连通图——团体分割——团伙特性分析
- 复杂网络
- **反欺诈预警模型 **
- 多种算法集成学习
- 数据:
- 设备信息:异常设备、网络、地址
- 行为信息:异常注册、登录、点击
- 关联信息:关联人风险
- 授信信息:征信数据、机构黑名单
- 项目:
F_score.rar
1.3 作用及优势
特性:客观性、一致性、准确性、全面性、效率性
作用:
- 风险模式数据化
- 提供客观风险量尺:减少主观判断
- 提高风险管理效率:节省人力成本
- 风险管理
- 市场营销
- 财务、资本预算及考核绩效
- 资产证券化及组合模式的创新
优势:
- 更稳:大数定律,坏账率更可控
- 更快:自动化审批,提升效率
- 更省:降低人力成本(审批、反欺诈、催收)
- 更充分地使用弱变量
- 反欺诈:预防 > 亡羊补牢