3、评分卡模型概述：评分卡类型（申请卡、行为卡、催收卡）、模型开发流程与行业标准
信用评分卡模型是金融风控领域的核心工具，其本质是通过统计建模方法将借款人的风险特征映射为一个可比较的分数，用以预测借款人未来发生违约（或逾期、坏账）的概率。评分卡模型并非单一产品，而是覆盖信贷全生命周期的系列工具。根据应用阶段的不同，评分卡主要分为申请评分卡（Application Scorecard）、行为评分卡（Behavior Scorecard）和催收评分卡（Collection Scorecard）三大类。理解这三类模型的差异、开发流程以及行业标准，是构建有效风控体系的基础。
上图展示了三类评分卡在信贷生命周期中的位置与核心差异。申请评分卡在贷前环节对新客户进行风险筛查，行为评分卡在贷中阶段对存量客户进行动态管理，催收评分卡则在贷后阶段对逾期客户进行催收优先级排序。三类模型在数据来源、目标定义、模型应用上存在显著差异，但共享同一套开发方法论和验证框架。
3.1 评分卡类型深度解析
3.1.1 申请评分卡（Application Scorecard）
核心原理：申请评分卡是信贷机构最基础、最常用的风控工具。它基于借款人在申请时点可获取的静态信息（如年龄、收入、职业、征信记录、负债情况等）构建模型，预测借款人在未来一段时间内（通常为12个月或24个月）发生“坏账”（如逾期90天以上）的概率。其核心逻辑是“根据历史数据中好客户与坏客户的特征差异，对新申请客户进行风险打分”。
判断方法：申请评分卡的开发通常采用逻辑回归（Logistic Regression）作为基准模型，因其具有可解释性强、易于监管合规、支持分数映射等优点。开发过程中，需将连续变量（如收入）进行WOE（Weight of Evidence，证据权重）分箱转换，将分类变量（如职业）进行编码，最终通过极大似然估计求解模型参数。模型输出为违约概率（PD），再通过线性变换将PD映射为整数分数（如300-850分）。
| 维度 | 申请评分卡 | 行为评分卡 | 催收评分卡 |
|---|---|---|---|
| 应用阶段 | 贷前（新客户申请） | 贷中（存量客户管理） | 贷后（逾期客户催收） |
| 数据来源 | 申请表、人行征信、第三方数据 | 还款记录、交易流水、额度使用率 | 逾期天数、还款承诺、催收记录 |
| 预测目标 | 首年违约概率（PD） | 未来3-6个月逾期/流失概率 | 催收回收率/失联概率 |
| 模型输出 | 申请分数（如300-850） | 行为分数（如200-800） | 催收优先级分数（如1-5级） |
| 更新频率 | 季度/半年重开发 | 月度/季度滚动更新 | 周/日动态更新 |
| 典型应用 | 审批决策、额度核定 | 额度调整、利率定价、交叉销售 | 催收策略分配、委外管理 |
3.1.2 行为评分卡（Behavior Scorecard）
核心原理：行为评分卡利用借款人在贷款存续期间产生的动态行为数据（如还款习惯、消费模式、额度使用率、账户余额变化等）来评估其未来风险。与申请评分卡不同，行为评分卡更关注“借款人当前的经济状况和还款意愿”，而非申请时的静态画像。其核心假设是“近期行为比历史背景更能预测未来违约风险”。
操作流程：行为评分卡的开发需整合银行内部数据仓库中的账户级数据。关键特征包括：最近6个月平均额度使用率、最大逾期天数、还款金额波动率、提前还款次数、账户年龄等。模型通常采用滚动窗口（Rolling Window）设计，例如以每月为观察点，提取过去6个月的行为特征，预测未来3个月的逾期概率。行为评分卡对数据时效性要求极高，需建立自动化特征计算管道。
实战场景：某股份制银行信用卡中心开发行为评分卡，用于存量客户的额度调整。初始数据包含50万活跃账户，观察期设定为2019年1月至6月，表现期设定为2019年7月至9月。关键特征“近3个月平均额度使用率”的IV值（信息价值）达到0.35，为最强预测变量。模型上线后，对评分低于500分的客户自动降低30%临时额度，对高于700分的客户主动提升20%固定额度。运行6个月后，整体逾期率下降12%，客户投诉率仅上升0.3%。
3.1.3 催收评分卡（Collection Scorecard）
核心原理：催收评分卡用于贷后管理阶段，针对已发生逾期或即将逾期的客户，预测其“还款可能性”和“失联风险”。催收评分卡的核心价值在于资源分配——将有限的催收人力集中在回收概率高、金额大的客户上，实现催收效率最大化。其预测目标通常是“未来30天内还款概率”或“最终回收率（Recovery Rate）”。
判断方法：催收评分卡的特征工程需结合催收过程数据，如：当前逾期天数（DPD）、历史催收联系次数、客户承诺还款日期、是否接通电话、还款意愿评分等。模型常采用生存分析（Survival Analysis）或梯度提升树（GBDT）处理时间相关性和非线性关系。催收评分卡通常输出为“催收优先级等级”（如P1-P5），P1为最高优先级（立即电话催收），P5为最低优先级（短信提醒即可）。
常见误区：许多机构将申请评分卡直接用于贷后催收，这是错误的。申请评分卡基于贷前静态数据，无法捕捉客户在贷中发生的财务恶化（如失业、疾病）。催收评分卡必须使用贷后动态数据，且需定期（如每周）重新评分，以反映客户最新的还款能力和意愿。此外，催收评分卡需与催收策略（如电话频次、短信模板、委外机构选择）紧密联动，否则模型价值无法落地。
3.2 模型开发流程与行业标准
3.2.1 标准开发流程（7步法）
评分卡模型的开发遵循一套严谨的流程，确保模型的预测精度、稳定性和可解释性。以下是行业通用的7步开发流程：
- 业务定义与目标设定：明确模型用途（申请/行为/催收）、定义“好客户”与“坏客户”标准（如逾期90天以上为坏）、确定观察期与表现期长度。
- 数据准备与清洗：收集内外部数据，处理缺失值、异常值、重复记录，进行数据质量校验。此阶段通常占整个项目时间的60%以上。
- 特征工程与筛选：对原始变量进行分箱、WOE转换、IV值计算，筛选预测能力强的特征。同时需检查特征间的多重共线性（VIF<10）。
- 模型训练：采用逻辑回归（基准）、决策树、随机森林或XGBoost等算法训练模型。逻辑回归需输出标准化系数，便于分数映射。
- 模型验证：使用跨时间样本（Time OOS）和跨样本样本（Sample OOS）进行验证。核心指标包括：KS值（>0.3为可接受）、AUC（>0.75为良好）、PSI（<0.1为稳定）。
- 分数校准与刻度：将模型输出的PD值映射为整数分数。常用公式：Score = Offset + Factor × ln(Odds)。设定基准分数（如600分）和翻倍分数（每增加20分，Odds翻倍）。
- 部署与监控：将模型嵌入审批系统或决策引擎，建立实时监控报表，跟踪分数分布、PSI、特征重要性漂移等指标。
3.2.2 行业标准与监管要求
评分卡模型的开发与使用需遵循一系列行业标准和监管指引，确保模型的公平性、透明性和稳健性。
| 标准/法规 | 发布机构 | 核心要求 | 对评分卡的影响 |
|---|---|---|---|
| 巴塞尔协议II/III | 巴塞尔银行监管委员会 | 内部评级法（IRB）要求验证PD/LGD/EAD | 模型需通过严格的验证和压力测试 |
| 《个人贷款管理暂行办法》 | 中国银保监会 | 贷款审批需基于借款人还款能力评估 | 评分卡需包含收入负债比等关键变量 |
| GDPR（通用数据保护条例） | 欧盟 | 禁止使用敏感数据（种族、宗教等） | 特征筛选时需剔除歧视性变量 |
| 模型风险管理指引（SR 11-7） | 美联储 | 模型开发、验证、治理的完整框架 | 需建立独立模型验证团队和文档体系 |
经验提醒：在特征筛选阶段，除了统计指标（IV、AUC），还需进行“业务合理性审查”。例如，某些变量（如借款人所在地区）可能具有高IV值，但若作为审批依据可能涉及地域歧视，需谨慎使用或进行合规性评估。建议建立“特征白名单”和“特征黑名单”机制，由风控、法务、数据团队共同审核。
3.2.3 案例拆解：某消费金融公司申请评分卡开发
背景与约束：某持牌消费金融公司，注册资本10亿元，主要客群为20-35岁蓝领及白领，平均借款金额5000元，期限12个月。公司面临坏账率攀升（从2.5%升至4.2%），急需开发新的申请评分卡以提升审批质量。约束条件：开发周期8周，数据团队仅3人，IT系统支持Python和SQL。
初始现象与目标：旧版评分卡（基于规则引擎）区分度不足，KS值仅0.18。目标：新模型KS值≥0.30，AUC≥0.75，且坏账率下降20%。
关键输入数据：从数据仓库提取近24个月的历史申请数据，共120万条申请记录，其中坏样本（逾期90天+）约4.8万条（坏账率4.0%）。数据字段包括：年龄、性别、收入、职业、学历、居住地、征信查询次数、信用卡使用率、贷款笔数等80个原始变量。
分析判断过程：首先进行数据清洗，剔除缺失率超过70%的变量（如“配偶收入”），对连续变量进行分箱（等频分箱+手动调整）。计算各变量IV值，筛选出IV>0.02的变量共23个。其中“近3个月征信查询次数”IV=0.28，“收入负债比”IV=0.25，“信用卡平均使用率”IV=0.22。检查相关性，剔除VIF>10的变量（如“贷款笔数”与“征信查询次数”相关系数0.72，保留后者）。
实际操作步骤：使用逻辑回归训练模型，采用逐步回归（Stepwise）进行变量筛选，最终保留15个变量。模型训练集（70%）与测试集（30%）划分，测试集KS=0.33，AUC=0.78。进行分数校准：设定基准分数600分（Odds=1:50），Factor=20（每增加20分，Odds翻倍）。将模型部署至审批系统，设定审批阈值：分数≥650分自动通过，550-650分转人工审核，<550分自动拒绝。
结果对比：模型上线后3个月，新审批客户的坏账率从4.2%降至2.9%，降幅31%。审批通过率从65%降至58%，但通过客户的整体风险水平显著下降。人工审核工作量增加15%，但通过优化审核流程（如引入自动决策树）控制在可接受范围。
风险与代价：模型上线初期，部分优质客户（如高收入低负债）因征信查询次数较多被误拒，导致客户投诉率上升0.5%。通过增加“查询次数与时间窗口”的交互项，优化模型后误拒率下降。此外，模型依赖人行征信数据，对于征信白户（无征信记录）的预测能力较弱，需引入第三方数据（如电商消费数据）进行补充。
复盘经验：① 数据质量是模型效果的天花板，需投入60%时间在数据清洗上；② 逻辑回归虽简单，但结合WOE转换后效果不输复杂模型，且更易解释；③ 模型上线后需建立PSI月度监控，防止特征分布漂移导致模型失效；④ 评分卡开发不是一次性项目，需建立季度迭代机制。
风险提示：评分卡模型存在“模型衰减”现象，即随着时间推移，客户群体特征变化导致模型预测能力下降。建议每季度监控PSI（群体稳定性指数），当PSI>0.25时需触发模型重开发。同时，需关注“坏样本定义”的合理性——若坏样本定义过严（如逾期180天），会导致坏样本量不足，模型区分度下降；若定义过松（如逾期30天），则可能将短期资金周转困难误判为坏客户。
3.3 总结与复盘
评分卡模型是信贷风控的基石，申请卡、行为卡、催收卡分别对应信贷生命周期的不同阶段，共享“数据-特征-模型-验证-部署”的开发框架，但在数据来源、目标定义、应用策略上存在本质差异。行业标准（如巴塞尔协议、监管指引）对模型的验证、文档、治理提出了明确要求，合规性已成为模型开发不可忽视的约束条件。
核心要点回顾：
- 三类评分卡对比：申请卡看“历史”，行为卡看“近期”，催收卡看“当下”。
- 开发流程：7步法（业务定义→数据准备→特征工程→模型训练→模型验证→分数校准→部署监控）是行业通用标准。
- 关键指标：KS（区分度）、AUC（准确性）、PSI（稳定性）、IV（特征预测力）是模型质量的核心度量。
- 合规底线：禁止使用敏感变量（种族、宗教、性别等），需建立模型文档和独立验证机制。