模型法在评级中的应用

金融机构对于会员管理、渠道、客户管理，基本都会涉及到一个评级的内容，通过评级我们可以知晓这些群体的特点，拟定具体画像，以及给不同的人群分类等等。常规上可以通过评分卡跑一个评分等级来评级，但并不是每个场景都需要复杂的建模流程，今天我们来讲解如何用模型来处理评级中的内容。
(其中专家法评级可以参考番茄之前介绍的文章：两种专家经验评分卡的学习)

本文会以模型法进行评级，来跟大家讲解具体的内容，整个模型法评级涉及五个步骤详情如下：
第一步：确定目标变量选择口径
第二步：确定需要筛选具体的变量维度
第三步：变量初选
第四步：字段筛选
第五步：变量分值分配

以下，我们分别来阐述：
第一步：确定目标变量选择口径
逾期客户Y值选择：欺诈客户画像通常选取历史最大逾期天数为X天的客户为逾期标签，15天、30天、45天、60天为y值，其最终判断同欺诈标签选择还是从迁徙率来判断，如M1-M2的迁徙率为80%，则取逾期天数在30+的客户为逾期客户

第二步：确定需要筛选具体的变量维度
以医美商户评级为例，本次涉及的评级的维度可以参考的有商户标签、客户质量、商户逾期率(Lagged口径)等维度
商户标签：
①商户所在地：商户隶属省份、城市、城市等级等衍生变量
②商户面积
③手术室数量：手术室数量决定该商户的最高业绩
④注册资本：注册资本是为了判断商户是否容易发生跑路现象
⑤合作时长
⑥商户营业时长：通常来说老商户、稳定商户营业时长肯定长

客户质量：
①近3月、近6月、近12月同盾分平均数
②近3月、近6月、近12月人行分平均数
③同盾多头>5的占比
④同盾多头>5的数量
④人行多头>5的数量
⑤客户A类评级占比
⑥客户E类评级占比

商户逾期率(Lagged口径)—商户资产质量
所有借据历史逾期笔数
所有借据历史各个逾期期数数量、占比、逾期率
近3、6、12月历史最大逾期天数
近3、6、12月逾期率
商户拒绝客户评级命中拒绝个数
…

第三步：确定需要筛选具体的变量维度
通过逻辑回归或者XGB用python跑包，排除缺失率大于某个阈值的字段。这里需要调用python等工具包，来协助跑数。

第四步：变量初选
选取iv值不错、分箱具有单调性的字段，选取时候要注意变量间的相关性，要排除掉相关性高的变量。
在整体的应用上，也许有些场景中模型的样本较少，整个时候可以采用专家法+模型进行评分。

这个变量筛选的过程中，iv值是个不错的筛选方式。

IV值是啥？
在机器学习的二分类问题中，IV值（Information Value）主要用来对输入变量进行编码和预测能力评估。特征变量IV值的大小即表示该变量预测能力的强弱。IV 值的取值范围是[0, 正无穷)，如果当前分组中只包含响应客户或者未响应客户时，IV = 正无穷。

具体的计算公式为：

根据IV值的筛选内容，在本次模型法的应用上，我们选择了以下比较可以合适的维度有：

第五步：变量分值分配
在变量的权重分配上，是整个评级最后的重点跟难点，我们需要将以上筛选的变量赋予对应的权重值，之后再根据权重值进件不同程度的打分。

如何根据不同的维度(筛选的变量)赋予对应的权重，并且课程中相关的评级的数据集跟评级代码(python)也会相应提供，相关内容如：


以上剩余模块内容可回顾：

另：



~原创文章
…
end