1. 信用评分卡概述
先聊聊信用评分卡这东西到底是什么。说实话，我刚入行时也以为它是个很玄的统计模型，后来做过几个项目才明白——信用评分卡就是一张打分表，根据申请人的各项信息（年龄、收入、负债、征信记录等）逐项打分，最后加总出一个总分，用来判断这个人的违约风险高低。
举个实际例子。我参与过一家消金公司的评分卡项目，他们每天要处理上万笔申请，全靠人工审核肯定不现实。评分卡的作用就是快速把申请人分成几档：好客户直接批，坏客户直接拒，中间客户转人工。你看，这其实就是个自动化决策工具。
1.1 评分卡长什么样？
典型的评分卡是一张二维表，每一行是一个特征变量，每一列是变量的取值区间，对应的数值就是分数。我习惯把这种格式称作“加性评分卡”，因为总分就是所有特征的得分加起来。
| 特征变量 | 取值区间 | 分数 |
|---|---|---|
| 年龄 | ≤ 25 岁 | 10 |
| 年龄 | 26 ~ 35 岁 | 25 |
| 年龄 | 36 ~ 50 岁 | 35 |
| 年龄 | ≥ 51 岁 | 30 |
| 月收入 | ≤ 3000 元 | 5 |
| 月收入 | 3001 ~ 8000 元 | 20 |
| 月收入 | 8001 ~ 20000 元 | 35 |
| 月收入 | ≥ 20001 元 | 45 |
你看，变量分箱、赋分、加总，整个过程非常直观。我刚开始做的时候觉得这太简单了，后来才意识到真正难的是怎么分箱、怎么计算分数、怎么保证模型稳定。嗯，后面几章会一步步拆解。
1.2 评分卡在金融风控里的应用场景
我跟很多银行、消金、互金的风控团队打过交道，评分卡的应用场景其实就三大块：
- 申请评分（A卡）：在客户申请贷款时使用，判断是否批准。我遇到过一个案例，某银行用A卡把坏账率从5%降到了2.8%，效果非常直接。
- 行为评分（B卡）：对已放款的客户定期评估，看有没有逾期风险。比如信用卡中心每个月跑一次B卡，把分数下降较多的客户提前关注。
- 催收评分（C卡）：逾期之后，根据评分决定怎么催——是短信提醒，还是电话催，还是上门催收。资源有限，不能人人上门，对吧？
核心价值总结：评分卡让风控从“拍脑袋”变成“算分数”，从“事后补救”变成“事前拦截”。量化、标准化、可解释——这三个词就是评分卡的生命线。
1.3 为什么用评分卡而不是黑箱模型？
你可能会问：深度学习、XGBoost 效果不是更好吗？我个人习惯在业务落地时首选评分卡，原因有三个：
- 可解释性：监管要求银行必须解释拒贷原因。你用了个黑箱模型，客户问为什么拒，你答不上来，这不行。
- 稳定性：评分卡是线性加和，变量变化对结果的影响是平滑的。神经网络一通乱学，样本稍微偏移一点就崩了——我经历过，非常惨。
- 易维护：风控策略想调整某个变量的权重，改分数就行了。要是黑箱模型，你得重新训练、重新部署，周期长。
避坑提醒：评分卡不是万能药。如果你手里的数据量巨大（百万以上）、变量多且非线性关系明显，评分卡可能打不过集成模型。我曾经在两个项目里同时试了评分卡和LightGBM，最后看业务场景选了评分卡——因为那个项目需要给客户解释打分逻辑。
1.4 评分卡建模的完整流程
我把做评分卡的步骤画成了下面这张流程图，你可以对照着看。后面每一章都会对应其中一个环节。
这张图基本涵盖了一个完整评分卡项目的生命周期。我个人习惯是把前面三步（数据清洗、EDA、特征工程）做到位，后面建模反倒比较快。很多新手一上来就调逻辑回归的参数，结果数据质量一塌糊涂——那模型再漂亮也没用。
小建议：刚开始学评分卡的时候，不用急着看懂整条流程。先把每一章对应的步骤吃透，最后再回头看这张图，你会发现自己已经走通了。
1.5 评分卡的价值到底在哪？
我接触过很多风控从业者，大家最直观的感受就是：评分卡让决策有据可依。
- 对业务方：可以快速解释为什么批、为什么拒。
- 对监管：模型逻辑透明，合规检查容易通过。
- 对建模者：维护成本低，变量调整方便。
说白了，评分卡是金融风控领域最经典的“白箱模型”，它不需要你懂太多深度学习的数学，但需要你把业务理解、数据理解和统计基础结合起来。这本书就用Python带着你一步一步把这个“白箱”造出来。