评分卡模型

一、评分卡模型：

1、评分卡模型是常用的金融风控手段之一 风控，就是风险控制，我们采取各种措施和方法，减少风险发生的可能性，或风险发生时造成的损失

2、根据客户的各种属性和行为数据，利用信用评分模型，对客户的信用进行评分，从而决定是否给予授信，授信的额度和利率，减少在金融交易中存在的交易风险

3、按照不同的业务阶段，可以划分为三种：

贷前：申请评分卡（Application score card），称为A卡

贷中：行为评分卡（Behavior score card），称为B卡

贷后：催收评分卡（Collection score card），称为C卡

4、评分卡模型： 客户评分 = 基准分 + 年龄评分 + 性别评分 + 婚姻状况评分 + 学历评分 + 贷款申请次数

二、开发步骤

Step1，数据获取，包括获取存量客户及潜在客户的数据 存量客户，已开展融资业务的客户，包括个人客户和机构客户； 潜在客户，将要开展业务的客户

Step2，EDA，获取样本整体情况，进行直方图、箱形图可视化

Step3，数据预处理，包括数据清洗、缺失值处理、异常值处理

Step4，变量筛选，通过统计学的方法，筛选出对违约状态影响最显著的指标。主要有单变量特征选择和基于机器学习的方法

Step5，模型开发，包括变量分段、变量的WOE（证据权重）变换和逻辑回归估算三个部分

Step6，模型评估，评估模型的区分能力、预测能力、稳定性，并形成模型评估报告，得出模型是否可以使用的结论

Step7，生成评分卡（信用评分），根据逻辑回归的系数和WOE等确定信用评分的方法，将Logistic模型转换为标准评分的形式

Step8，建立评分系统（布置上线），根据生成的评分卡，建立自动信用评分系统

三、WOE编码：

1、Weight of Evidence，证据权重

是自变量的一种编码，常用于特征变换用来衡量自变量与因变量的相关性

B代表风险客户，G代表正常客户

对于某一变量某一分组的WOE，衡量了这组里面的好坏客户的占比与整体样本好坏样本占比的差异

2、IV（Information Value）

woe只考虑了风险区分的能力，没有考虑能区分的用户有多少

IV衡量一个变量的风险区分能力,即衡量各变量对y的预测能力，用于筛选变量

3、WOE和IV计算步骤：

Step1，对于连续型变量，进行分箱（binning），可以选择等频、等距，或者自定义间隔，对于离散型变量，如果分箱太多，则进行分箱合并

Step2，统计每个分箱里的好人数(bin_goods)和坏人数(bin_bads)

Step3，分别除以总的好人数(total_goods)和坏人数(total_bads)，得到每个分箱内的边际好人占比margin_good_rate和边际坏人比margin_bad_rate

Step4，计算每个分箱的WOE