1. 课程导论
1.1 什么是商户风险评分卡？
商户风险评分卡（Merchant Risk Scorecard）是一种基于统计建模与机器学习方法构建的量化评估工具。它将商户的多维度特征（交易行为、工商信息、历史履约记录等）映射为一个可解释的风险分数或等级，用以预测商户在未来特定时间窗口内发生违约、欺诈或违规操作的概率。
与传统的规则引擎或人工审核相比，评分卡具有以下核心优势：
- 标准化：统一评估尺度，消除人工经验偏差。
- 可解释性：通过分箱与WOE（Weight of Evidence）转换，每个特征对分数的贡献清晰可见。
- 动态监控：支持定期回刷与模型迭代，适应商户行为变化。
- 自动化决策：可无缝嵌入审批、监控、预警等业务流程。
关键概念区分： 商户风险评分卡与个人信用评分卡（如FICO）在数据源、特征工程、业务逻辑上存在显著差异。商户评分卡更关注交易流水稳定性、行业风险、关联交易等企业级指标。
1.2 核心应用场景
商户风险评分卡在金融与支付领域覆盖三大核心场景：收单、信贷与反欺诈。下表从业务目标、关键指标与典型输出三个维度进行对比：
| 场景 | 业务目标 | 关键评估指标 | 典型评分卡输出 |
|---|---|---|---|
| 收单风险 | 识别虚假交易、套现、洗钱等违规商户 | 退单率、交易金额异常波动、夜间交易占比 | 高风险/中风险/低风险等级 |
| 商户信贷 | 评估商户贷款违约概率与授信额度 | 经营时长、月均交易额、征信记录、行业景气度 | PD（违约概率）分数、建议授信额度区间 |
| 反欺诈 | 拦截团伙欺诈、账户盗用、虚假商户注册 | 设备指纹异常、注册信息关联度、首笔交易行为 | 欺诈嫌疑分数、人工复核标记 |
在实际业务中，一个商户可能同时面临多个场景的风险。例如，一个收单高风险商户往往也是信贷违约的高危群体。因此，构建统一的风险评分卡体系，实现跨场景的风险穿透，是行业最佳实践。
1.3 商户风险评分卡的整体架构
下图展示了商户风险评分卡从数据输入到决策输出的完整链路，包含数据层、特征工程层、模型层与应用层四个核心模块：
架构要点： 特征工程层是评分卡建模的核心环节。分箱与WOE转换不仅提升了模型的非线性拟合能力，还保证了评分卡的可解释性，这是纯黑箱模型（如深度神经网络）难以替代的优势。
1.4 课程目标与学习路径
本课程旨在帮助学员系统掌握商户风险评分卡从理论到落地的全流程技能。完成本课程后，学员将能够：
- 理解评分卡原理：掌握WOE、IV、KS、AUC等核心概念及其在评分卡中的含义。
- 独立完成数据分群：运用聚类、决策树或业务规则对商户进行风险分层，提升模型区分度。
- 构建并训练评分卡模型：使用Python（pandas、scikit-learn、scorecardpy）完成特征筛选、模型训练与刻度转换。
- 评估与部署：通过回测、PSI监控、冠军/挑战者策略确保模型稳定上线。
- 应对实际业务挑战：处理样本不平衡、时间漂移、冷启动等真实场景问题。
课程将围绕一个完整的收单商户数据集展开，从数据探索、分群实验到最终评分卡输出，每一步均配有可复现的代码与案例讲解。
前置要求： 学员需具备基础的Python编程能力（pandas、numpy）以及基本的统计学知识（概率分布、假设检验）。机器学习经验非必需，但有助于理解模型调优部分。
1.5 课程内容概览
下表列出了本课程的主要章节与对应核心知识点，方便学员规划学习节奏：
| 章节 | 核心内容 | 实践产出 |
|---|---|---|
| 第1章 课程导论 | 评分卡定义、场景、架构 | 理解评分卡全貌 |
| 第2章 数据探索与预处理 | 数据质量检查、缺失值处理、异常值检测 | 清洗后的建模数据集 |
| 第3章 商户分群策略 | K-Means聚类、业务规则分群、分群评估 | 商户风险分层标签 |
| 第4章 特征工程与WOE转换 | 分箱算法、WOE/IV计算、特征筛选 | WOE转换后的特征矩阵 |
| 第5章 模型训练与调优 | 逻辑回归、XGBoost、超参数搜索 | 训练好的评分卡模型 |
| 第6章 评分卡刻度与输出 | 分数映射、概率校准、阈值设定 | 可解释的评分卡分数 |
| 第7章 模型评估与监控 | KS/AUC、PSI、冠军挑战者策略 | 模型评估报告 |
| 第8章 案例实战与总结 | 端到端案例、常见问题复盘 | 完整评分卡项目 |