8月20日，央行發(fā)布了《2020年第二季度支付體系運(yùn)行總體情況》，數(shù)據(jù)顯示，截至第二季度末，信用卡逾期半年未償信貸總額838.84億元，占信用卡應(yīng)償信貸余額的1.17%。與一季度相比，信用卡逾期總額出現(xiàn)小幅下滑，這與銀行在二季度采取嚴(yán)格的風(fēng)控措施有關(guān)。為了應(yīng)對(duì)信用卡帶來(lái)的大規(guī)模逾期，多家銀行在二季度開(kāi)始加大信用卡整頓力度，而評(píng)分卡模型正是銀行最常見(jiàn)的金融風(fēng)控工具之一。
什么是評(píng)分卡模型
評(píng)分卡模型又叫做信用評(píng)分卡模型，最早由美國(guó)信用評(píng)分巨頭FICO公司于20世紀(jì)60年代推出，在信用風(fēng)險(xiǎn)評(píng)估以及金融風(fēng)險(xiǎn)控制領(lǐng)域中廣泛使用。銀行利用評(píng)分卡模型對(duì)客戶的信用歷史數(shù)據(jù)的多個(gè)特征進(jìn)行打分，得到不同等級(jí)的信用評(píng)分，從而判斷客戶的優(yōu)質(zhì)程度，據(jù)此決定是否準(zhǔn)予授信以及授信的額度和利率。
傳統(tǒng)的信貸風(fēng)控主要靠資深從業(yè)人員依靠自身的經(jīng)驗(yàn)設(shè)置的專家規(guī)則，相較而言，評(píng)分卡模型的使用具有很明顯的優(yōu)點(diǎn)。
首先，判斷快速。系統(tǒng)只需要按照評(píng)分卡逐項(xiàng)打分，最后通過(guò)相應(yīng)的公式計(jì)算出總分，即可準(zhǔn)確判斷出是否為客戶授信以及額度和利率；
其次，客觀透明。評(píng)分卡模型的標(biāo)準(zhǔn)是統(tǒng)一的，無(wú)論是客戶還是風(fēng)險(xiǎn)審核人員，都可以通過(guò)評(píng)分卡一眼看出評(píng)分結(jié)果和評(píng)判依據(jù)；
最后，應(yīng)用范圍廣。由于評(píng)分卡的評(píng)分項(xiàng)是客觀計(jì)算，其得出的分?jǐn)?shù)具有廣泛的參考性和適用性。例如，生活中常見(jiàn)的支付寶芝麻信用分，就是依據(jù)評(píng)分卡模型計(jì)算得出。
隨著信貸業(yè)務(wù)規(guī)模不斷擴(kuò)大，客戶行為的數(shù)據(jù)呈現(xiàn)出爆炸式的增長(zhǎng)，金融機(jī)構(gòu)對(duì)風(fēng)控工作的要求也逐漸提升，評(píng)分卡模型也變得越來(lái)越復(fù)雜。金融機(jī)構(gòu)需要耗費(fèi)更多的精力與時(shí)間去升級(jí)和維護(hù)評(píng)分卡模型以滿足風(fēng)險(xiǎn)控制的需求。
在傳統(tǒng)的評(píng)分卡模型建模過(guò)程中，金融機(jī)構(gòu)的IT算法人員需要與業(yè)務(wù)人員進(jìn)行溝通，算法人員了解業(yè)務(wù)之后，通過(guò)編寫(xiě)代碼來(lái)實(shí)現(xiàn)數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、變量篩選、算法實(shí)現(xiàn)、模型開(kāi)發(fā)評(píng)估、評(píng)分轉(zhuǎn)換等一系列流程，不斷驗(yàn)證準(zhǔn)確度，優(yōu)化參數(shù)，最終生成評(píng)分卡模型。
評(píng)分卡模型構(gòu)建流程
- 數(shù)據(jù)認(rèn)知：基于實(shí)際業(yè)務(wù)場(chǎng)景理解數(shù)據(jù)內(nèi)容，發(fā)現(xiàn)數(shù)據(jù)與研究問(wèn)題的關(guān)系。
- 數(shù)據(jù)處理：對(duì)原始數(shù)據(jù)進(jìn)行處理，包括不同數(shù)據(jù)源間的數(shù)據(jù)合并、數(shù)據(jù)規(guī)整化處理、缺失值處理等環(huán)節(jié)。
- 特征選擇：利用特征選擇方法，篩選出預(yù)測(cè)能力強(qiáng)的有效特征，合理降低特征總維度。
- 特征分箱：對(duì)特征自變量進(jìn)行離散化分箱處理。
- WOE轉(zhuǎn)換：特征分箱處理后，將變量進(jìn)行WOE編碼轉(zhuǎn)換。
- 模型建立：結(jié)合樣本數(shù)據(jù)建立模型及模型參數(shù)輸出過(guò)程。
- 模型評(píng)估：利用評(píng)估指標(biāo)對(duì)模型效果進(jìn)行評(píng)價(jià)。
- 評(píng)分轉(zhuǎn)換：將模型概率轉(zhuǎn)換為直觀評(píng)分以及生成評(píng)分卡。
10分鐘搞定評(píng)分卡模型建模
TempoAI 的金融板塊包含了評(píng)分卡和PSI（Population Stability Index）指標(biāo)計(jì)算兩大算子，在建立評(píng)分卡模型時(shí)，只需將平臺(tái)封裝好的相關(guān)算子拖入建模流程中，無(wú)需編寫(xiě)代碼，就能輕松、快速完成模型的建立，解決了金融機(jī)構(gòu)在評(píng)分卡模型構(gòu)建中難度大、周期長(zhǎng)的問(wèn)題。
評(píng)分卡模型構(gòu)建流程
第一步：導(dǎo)入數(shù)據(jù)。使用數(shù)據(jù)管理下的數(shù)據(jù)輸入節(jié)點(diǎn)讀取評(píng)分卡數(shù)據(jù)集，包括客戶的基本信息、賬戶屬性、消費(fèi)行為、還款行為等。
數(shù)據(jù)導(dǎo)入頁(yè)面
第二步：數(shù)據(jù)過(guò)濾。選擇數(shù)據(jù)過(guò)濾節(jié)點(diǎn)，進(jìn)行條件設(shè)置，去除掉、缺失值以及異常值數(shù)據(jù)，完成行數(shù)據(jù)的過(guò)濾和篩選。
數(shù)據(jù)過(guò)濾設(shè)置頁(yè)面
第三步：WOE編碼。選擇WOE（Weight of Evidence）編碼節(jié)點(diǎn)對(duì)數(shù)值型字段進(jìn)行分箱編碼處理，根據(jù)違約與正?？蛻舻谋壤?jì)算不同字段區(qū)間的WOE值，根據(jù)WOE值計(jì)算每個(gè)字段IV值，根據(jù)IV值選擇比較重要的字段參與建模。
WOE編碼頁(yè)面
第四步：邏輯回歸分類算法。選擇邏輯回歸分類算法，設(shè)置自變量為WOE編碼后的字段進(jìn)行建模。
邏輯回歸分類算法
第五步：評(píng)分卡。選擇評(píng)分卡節(jié)點(diǎn)，讀取WOE模型、分類模型和數(shù)據(jù)集，得到客戶的評(píng)分。
評(píng)分卡節(jié)點(diǎn)配置界面
第五步：PSI指標(biāo)計(jì)算。通過(guò)計(jì)算實(shí)際數(shù)據(jù)集和期望數(shù)據(jù)集不同得分區(qū)間的樣本比例，根據(jù)PSI值的大小判斷模型的穩(wěn)定性和變量的穩(wěn)定性，從而判斷該變量是否需要加入模型，以及模型是否需要更新。
PSI指標(biāo)計(jì)算配置界面
至此，評(píng)分卡模型的整個(gè)建模過(guò)程就完成了。
評(píng)分卡模型的算法原理雖然不是特別復(fù)雜，但在風(fēng)控領(lǐng)域中有著不可替代的地位。隨著消費(fèi)金融領(lǐng)域的不斷擴(kuò)展，不僅銀行，越來(lái)越多的金融機(jī)構(gòu)，尤其是小額信貸企業(yè)也開(kāi)始利用評(píng)分卡模型完善風(fēng)控制度。
在過(guò)去，評(píng)分卡模型建模技術(shù)一直掌握在大型金融機(jī)構(gòu)的少數(shù)人手里。TempoAI通過(guò)內(nèi)置專門(mén)的金融分析算法，封裝WOE編碼以及評(píng)分卡、PSI指標(biāo)計(jì)算等算法，將評(píng)分卡模型建模時(shí)間從1-2個(gè)月縮短到了數(shù)小時(shí)，有經(jīng)驗(yàn)的IT人員10分鐘即可完成整個(gè)建模過(guò)程，不僅大幅提升了建模的工作效率，而且圖形化、拖拽式的建模方式對(duì)人員的技術(shù)要求大大下降，不再需要經(jīng)過(guò)專業(yè)訓(xùn)練的數(shù)據(jù)科學(xué)家，普通的業(yè)務(wù)人員也能夠獨(dú)立完成評(píng)分卡模型的構(gòu)建，直接進(jìn)行風(fēng)控決策。
TempoAI始終秉持“智能、互動(dòng)、增值”的設(shè)計(jì)理念，為企業(yè)級(jí)用戶提供自助式、自動(dòng)化、智能化的分析模型構(gòu)建服務(wù)，完整的覆蓋數(shù)據(jù)接入、模型構(gòu)建、流程洞察、成果部署等數(shù)據(jù)價(jià)值發(fā)現(xiàn)全過(guò)程，支持9大類分析場(chǎng)景算法、120+種分布式算法、5種獨(dú)創(chuàng)算法、5種深度學(xué)習(xí)算法及4種以上集成學(xué)習(xí)算法，幫助500+行業(yè)頭部企業(yè)實(shí)現(xiàn)1300+AI場(chǎng)景應(yīng)用落地，涵蓋能源、制造、金融、教育、政務(wù)、通信、零售等多個(gè)領(lǐng)域，解決企業(yè)AI落地難題，促進(jìn)企業(yè)“全民數(shù)據(jù)科學(xué)家”的數(shù)據(jù)運(yùn)營(yíng)文化建設(shè)。
Tempo商業(yè)智能平臺(tái)
Tempo人工智能平臺(tái)
Tempo數(shù)據(jù)工廠平臺(tái)
Tempo指標(biāo)平臺(tái)
Tempo數(shù)據(jù)資產(chǎn)管理平臺(tái)
Tempo主數(shù)據(jù)管理平臺(tái)
首頁(yè)
美林?jǐn)?shù)據(jù)
大數(shù)據(jù)分析與應(yīng)用
陜公網(wǎng)安備 61019002000171號(hào)
