2. 消费金融业务基础
在动手建评分卡之前，必须先弄清楚它服务的业务长什么样。评分卡不是孤立的数据模型，它嵌入在消费信贷的申请审批链条中，输入来自客户填写的资料与授权查询的数据，输出直接影响审批决策、额度定价和后续资产质量。本章围绕四个问题展开：消费信贷有哪些产品类型、一笔申请如何走完审批流程、风险成本由什么构成、评分卡在哪些场景中真正发挥作用。
一、消费信贷产品类型：决定评分卡的设计边界
消费信贷产品可以从多个维度切分，但最影响评分卡设计的是是否循环授信、是否有抵押担保、资金用途是否受托支付以及客群定位。常见类型包括：
- 循环额度类产品：如信用卡、互联网信用付、随借随还现金贷。客户一次授信、多次支用，评分卡通常分为申请评分卡（A卡）和行为评分卡（B卡），额度与定价策略联动。
- 单笔分期类产品：如家电分期、教育分期、医美分期。资金多受托支付给商户，欺诈风险与场景绑定紧密，评分卡需强化场景与商户维度特征。
- 现金分期/消费贷：资金直接打入客户账户，用途难监控，风险更依赖客户自身资质与负债水平。
- 抵押/担保类消费贷：如车抵贷、房抵消费贷，有抵押物缓释，评分卡可适度放宽纯信用维度，但需增加抵押物与合规特征。
产品类型不同，评分卡的目标变量定义也不同。循环产品常用“未来6期是否出现M1+逾期”作为坏样本定义；单笔分期则常用“整个还款周期内是否出现严重逾期”。若目标定义与产品还款方式不匹配，模型区分度会明显下降。
二、申请审批流程：评分卡嵌入的关键节点
一笔消费信贷申请从进件到放款，通常经历以下阶段：
- 进件与身份核验：客户提交基本信息、授权协议，系统完成实名、活体、银行卡三要素核验。
- 反欺诈筛查：设备指纹、IP、黑名单、多头借贷、团伙规则等，先过滤高风险欺诈申请。
- 申请评分卡打分：基于征信、三方数据、申请信息计算分数，输出违约概率排序。
- 策略决策：结合评分、规则、额度模型，给出通过/拒绝/人工复核、初始额度与利率。
- 人工复核与面签：对边缘客群或大额申请补充材料、电话核实。
- 放款与贷后监控：放款后进入行为评分与催收评分体系，形成闭环。
下面是一个简化的审批决策伪代码，帮助理解评分卡在流程中的位置：
def approve_flow(application):
if anti_fraud_check(application) == "REJECT":
return "拒绝-反欺诈"
score = application_scorecard.predict(application.features)
if score >= 700:
return "通过", limit_model.predict(application)
elif score >= 620:
return "人工复核", score
else:
return "拒绝-评分不足"
三、风险成本构成：评分卡要优化的真实目标
消费信贷的定价与盈利，取决于对风险成本的准确估计。风险成本不只是“坏账率”，而是由多部分构成：
| 成本项 | 含义 | 与评分卡的关系 |
|---|---|---|
| 预期信用损失 | PD × LGD × EAD | 申请评分卡主要估计PD，直接影响该值 |
| 欺诈损失 | 伪冒、团伙、资料造假导致的损失 | 反欺诈评分与申请评分协同过滤 |
| 资金成本 | 放款资金来源的利息支出 | 影响定价下限，间接影响通过阈值 |
| 运营与获客成本 | 人力、系统、渠道佣金 | 决定单客盈亏平衡点 |
| 催收与核销成本 | 逾期后催回投入与最终核销 | 行为评分卡与催收评分卡优化对象 |
因此，评分卡的目标不是单纯“把坏人挑出来”，而是在通过率、坏账率、收益之间找平衡。一个区分度很高但通过率极低的模型，商业上未必可取。
四、评分卡应用场景与常见误区
申请评分卡在消费金融中的典型应用场景包括：
- 准入决策：设定评分阈值，拒绝高风险申请。
- 额度授予：高分客户给更高初始额度，低分客户给低额度或拒绝。
- 风险定价：按评分区间差异化利率，覆盖预期损失。
- 人工复核排序：把边缘客群按分数排序，提高人工效率。
- 贷后预警：申请评分作为行为评分的初始输入，辅助早期预警。
复盘一个典型场景：某现金分期产品上线申请评分卡后，训练集AUC为0.78，但上线三个月后坏账率不降反升。排查发现，模型大量依赖“近3个月申请次数”这一特征，而该特征在训练期与上线期的数据覆盖口径不一致，导致分数分布漂移。修正方式是统一特征口径、增加时间外验证，并设置分数监控看板。这说明评分卡项目不是“建完就结束”，而是需要持续监控与迭代。
理解产品类型、审批流程、风险成本与应用场景，是后续数据准备、特征工程、模型训练和策略部署的前提。只有把评分卡放回业务链条中，才能判断它是否真正解决了问题。