3. 评分卡入门

在保险核保场景中，评分卡是把“核保经验”转化为“可计算、可复核、可迭代”的量化工具。它的核心思想并不复杂：把与风险相关的若干变量，按照一定的规则映射为分值，再通过加权汇总得到一个总分，最后用分数区间对应不同的核保结论。相比纯人工判断，评分卡的优势在于一致性高、可解释性强、便于批量处理，也更容易与人工审核分流规则衔接。

一、核心原理：从风险特征到分数

评分卡的基本原理可以拆成三个动作：变量选择、分值映射、加权汇总。变量选择决定“看什么”，分值映射决定“每个特征值给多少分”，加权汇总决定“不同变量谁更重要”。最终输出的总分，通常再经过一个阈值切分，形成核保决策。

在保险核保中，常见的风险维度包括年龄、职业类别、既往症、体检指标、保额、缴费期限、渠道来源等。评分卡并不要求所有变量都来自复杂模型，很多业务场景下，基于专家规则和统计分布设计的评分卡，已经能显著提升分流效率。

二、变量类型与分值设计

评分卡中的变量通常分为三类：连续型变量（如年龄、BMI、保额）、类别型变量（如职业类别、渠道来源、婚姻状况）和有序型变量（如体检异常等级、既往症严重程度）。不同类型变量的分值设计方式不同。

• 连续型变量：先做分箱，把连续值切成若干区间，每个区间给一个分数。例如年龄可分为18-25、26-35、36-45、46-55、56以上，不同区间对应不同风险分。
• 类别型变量：直接按类别映射分数。例如职业类别1-3类给低分，4类给中分，5-6类给高分。
• 有序型变量：按等级递增或递减给分，保持单调性，便于解释。

分值设计的关键是单调性和业务可解释性。如果某个变量分值忽高忽低，核保员很难信任这张卡。常见做法是先确定基础分，再根据每个变量的风险贡献做加减分。

示例：年龄变量分箱与分值
18-25岁   → 5分
26-35岁   → 8分
36-45岁   → 12分
46-55岁   → 18分
56岁以上  → 25分

说明：分数越高，代表风险越高，越可能进入人工复核或调查。

三、权重分配：谁更重要

权重分配决定不同变量对总分的贡献程度。常见方法有三种：专家赋权、统计赋权和模型赋权。专家赋权依赖核保经验，适合数据积累不足的冷启动阶段；统计赋权常用WOE和IV值，衡量变量对风险的区分能力；模型赋权则通过逻辑回归等模型自动学习权重。

赋权方法	适用阶段	优点	局限
专家赋权	冷启动、新险种	业务可解释、落地快	主观性强、难验证
WOE/IV统计赋权	有历史赔付数据	客观、可量化区分度	依赖数据质量
逻辑回归模型赋权	数据较充分	权重自动优化、可校准	需要监控与迭代

四、常见评分模型与核保分流案例

保险核保中常见的评分模型包括：线性加权评分卡、逻辑回归评分卡、WOE评分卡和规则引擎评分卡。线性加权评分卡最简单，适合规则明确的场景；逻辑回归评分卡把总分映射为违约/出险概率，便于设定阈值；WOE评分卡在信贷领域成熟，也被引入保险核保；规则引擎评分卡则把评分与硬性规则结合，例如“总分超过60且既往症为阳性，直接转人工”。

以一个简化的健康险核保场景为例：某产品对投保人进行评分，变量包括年龄、BMI、既往症、保额和渠道。总分范围为0-100分，分流规则如下：

总分 0-40    → 自动通过
总分 41-70   → 人工复核
总分 71-100  → 进一步调查或拒保

某投保人：
年龄 42岁        → 12分
BMI 27           → 10分
既往症 无        → 0分
保额 50万        → 15分
渠道 线上直营    → 5分
总分 = 42分 → 人工复核

五、复盘：评分卡上线后要盯什么

评分卡上线后，至少需要监控三类指标：分数分布、分流比例和风险回溯。分数分布看是否集中在某个区间，分流比例看自动通过率是否过高或过低，风险回溯看被自动通过的客户后续赔付情况是否异常。如果发现某个变量分值与实际风险方向相反，就要及时调整分箱或权重。

• 分数分布：避免大量客户挤在同一分数段，导致阈值失效。
• 分流比例：自动通过率、人工复核率、调查率应保持业务可承受范围。
• 风险回溯：定期抽样自动通过案件，核对后续理赔与预期是否一致。
• 变量稳定性：监控关键变量的取值分布是否发生漂移。

掌握评分卡的基本原理、变量类型、分值设计、权重分配和常见模型后，下一步就可以把它接入核保流程，与人工审核分流规则配合使用，形成“机器初筛+人工复核”的稳定作业模式。