4、业务理解与目标定义：评分卡开发中的业务目标、二分类定义（好客户/坏客户）、观察期与表现期设定

评分卡模型的开发并非纯粹的统计或算法工程，其起点和终点都锚定在清晰的业务理解之上。如果业务目标模糊、好/坏客户定义草率、观察期与表现期设定缺乏依据，那么无论后续使用多么复杂的机器学习算法，最终产出的评分卡都可能在业务落地时失效，甚至引发严重的风险定价错误或客户体验问题。本章将系统拆解评分卡开发前期的三个核心环节：业务目标定义、二分类标签设计、时间窗口（观察期与表现期）的设定逻辑，并结合实际案例说明如何规避常见陷阱。

上图展示了评分卡开发前期业务定义的完整链路。从业务目标出发，依次推导出二分类定义和时间窗口参数，最终形成可用于建模的样本集。三个模块之间相互关联、彼此约束，任何一环的偏差都会传导至最终模型效果。下面逐一展开每个模块的核心原理与操作要点。

4.1 业务目标定义：从战略到模型的翻译器

核心原理

业务目标决定了评分卡的类型和用途。零售信贷场景中，评分卡通常服务于以下四类目标：风险控制（降低逾期和坏账损失）、收益优化（通过风险定价实现收益最大化）、运营效率（自动化审批缩短响应时间）、监管合规（满足公平借贷和模型可解释性要求）。不同目标对应不同的模型开发策略：若以风险控制为核心，模型应侧重区分度（KS、AUC）；若以收益优化为核心，则需引入损失金额加权；若以合规为核心，则需特别关注特征公平性检验。

判断方法或操作流程

业务目标定义建议遵循以下流程：

1. 利益相关方访谈：与信贷政策、风控运营、财务、合规部门沟通，明确当前业务痛点（如审批通过率过低、坏账率上升、人工审核成本高）。
2. 量化目标设定：将定性目标转化为可衡量的指标，例如“将12个月滚动坏账率从5%降至3.5%”或“在保持坏账率不变的前提下将审批通过率提升15%”。
3. 约束条件识别：明确模型开发的时间预算、数据可用性、IT系统部署限制、监管红线等。
4. 目标优先级排序：当多个目标冲突时（如提高通过率与降低坏账率），需通过业务模拟确定权重。

4.2 二分类定义：好客户与坏客户的科学划分

核心原理

评分卡本质上是二分类器，因此必须将连续的风险表现转化为离散标签。坏客户（Bad）的定义通常基于逾期行为，但具体阈值需要结合产品周期、业务容忍度和监管要求确定。常见定义包括：逾期30天（DPD30）、逾期60天（DPD60）、逾期90天（DPD90），并附加观察窗口要求（如表现期内任意时点达到该逾期天数）。好客户（Good）则定义为表现期内从未逾期或仅发生轻微逾期（如1-2次短期逾期但已结清）。

判断方法或操作流程

定义好/坏客户需遵循“业务可解释、样本可区分、时间可验证”三原则：

• 业务可解释：坏客户定义必须与催收策略、核销标准对齐。例如，若公司核销标准为逾期180天，则坏客户定义不应严于DPD90，否则会高估风险。
• 样本可区分：好/坏客户占比应控制在5%-20%之间（坏客户占比过低会导致模型学习不足，过高则偏离业务实际）。
• 时间可验证：标签必须在固定表现期内确定，避免“右截断”问题（即表现期不足导致部分坏客户未被识别）。

# 坏客户定义示例（Python伪代码）
def define_bad(repayment_schedule, performance_months=12, dpd_threshold=90):
    """
    基于还款计划表判断客户是否为坏客户
    参数：
        repayment_schedule: 客户还款记录DataFrame
        performance_months: 表现期月数
        dpd_threshold: 逾期天数阈值
    返回：
        1表示坏客户，0表示好客户
    """
    # 筛选表现期内的还款记录
    window = repayment_schedule[repayment_schedule['month'] <= performance_months]
    # 计算最大逾期天数
    max_dpd = window['dpd'].max()
    # 判断是否达到坏客户标准
    return 1 if max_dpd >= dpd_threshold else 0

案例拆解：消费金融公司的坏客户定义优化

某消费金融公司开发现金贷评分卡，初始坏客户定义为“表现期12个月内任意逾期90天+”。建模后发现模型区分度（KS=0.28）低于预期，且审批通过率下降导致业务量萎缩。经分析发现：

• 问题诊断：该公司产品期限为6-24个月，部分12个月期客户在表现期结束时仅还款6期，尚未进入高风险阶段，导致坏客户被低估。
• 调整方案：将表现期延长至18个月，并将坏客户定义调整为“表现期内任意连续3期逾期90天+”。同时增加“早期风险预警”标签（逾期30天+）作为辅助目标。
• 结果对比：调整后坏客户占比从4.2%升至6.8%，模型KS提升至0.35，审批通过率在保持坏账率不变的前提下提升了8%。
• 代价与风险：表现期延长导致样本量减少约15%，且模型开发周期延长3个月。但长期看，模型稳定性显著提升。

4.3 观察期与表现期设定：时间窗口的艺术

核心原理

观察期（Observation Window）是用于计算特征变量的历史时间窗口，表现期（Performance Window）是用于确定客户标签的未来时间窗口。两者共同定义了评分卡的时间坐标系。观察期越长，特征信息越丰富，但样本量越小（需回溯更早的申请记录）；表现期越长，标签越准确，但样本时效性越差。常见的设定为：观察期12-24个月，表现期12-24个月，具体需根据产品期限和业务周期调整。

判断方法或操作流程

时间窗口设定需遵循以下步骤：

1. 确定产品期限：短期产品（如3个月）表现期可设为3-6个月；长期产品（如36个月）表现期建议设为18-24个月。
2. 分析逾期分布：绘制不同逾期天数的时间分布曲线，找到逾期率趋于稳定的时间点。例如，若逾期90天+的客户在放款后12个月才集中暴露，则表现期不应短于12个月。
3. 平衡样本量与时效性：观察期越长，可用的历史数据越少。若观察期设为24个月，则建模样本需回溯至2年前，可能受政策变化影响。
4. 滚动窗口验证：采用滚动时间窗口（如每季度一个样本集）验证模型稳定性，避免单一时间窗口的偶然性。

实战场景：现金贷产品的窗口设定

某互联网现金贷平台，产品期限为3-12个月，目标客群为蓝领人群。初始设定观察期6个月、表现期6个月。模型上线后3个月，发现实际坏账率比模型预测高40%。排查发现：

• 根因分析：该产品大量客户选择“借新还旧”，实际风险暴露周期超过6个月。表现期6个月时，部分客户尚未进入逾期状态，导致标签低估风险。
• 调整方案：将表现期延长至12个月，观察期保持6个月（因平台成立仅2年，无法回溯更长时间）。同时引入“借新还旧”行为特征作为补充变量。
• 结果对比：模型KS从0.31提升至0.38，坏账率预测误差从40%降至12%。但样本量减少20%，需通过增加历史数据或使用拒绝推断补充。
• 复盘经验：对于短期产品，表现期不应短于产品期限的1.5倍。同时需监控“提前结清”客户的风险——部分客户在逾期前主动结清，可能掩盖真实风险。