📚 课程目录第1章信用评分卡概述

1. 信用评分卡概述：定义、历史、应用场景

各位好。今天我们开始讲信用评分卡。嗯，这东西说白了，就是把「一个人值不值得借钱」这件事，变成一个数字。

你想想看，银行每天要处理成千上万的贷款申请。靠人一个个审？效率太低，而且主观性太强。信用评分卡就是解决这个问题的标准工具。

我个人的理解很简单：信用评分卡是一张打分表。它把借款人的各种特征——年龄、收入、负债、还款历史——每一项都折算成分数，最后加起来得到一个总分。银行根据这个总分决定：批不批贷？批多少？利率定多少？

举个例子。你在 A 银行申请信用卡，填了一堆信息。银行系统背后其实在跑一张评分卡：

总分 200 分，超过 140 就批卡。就这么个逻辑。

我在项目中遇到过很多新手，一开始总把评分卡想得很玄乎，觉得是什么 AI 黑盒模型。其实不然。评分卡最大的特点就是：透明、可解释、可审计。每个特征为什么加分、为什么扣分，白纸黑字写得清清楚楚。监管喜欢，业务也喜欢。

核心要点： 信用评分卡的本质是一个线性加分的决策系统。它的每一个「分数段」都对应一个「坏账概率」。分数越高，违约概率越低。这是后面所有分箱、WOE 转换、逻辑回归建模的根基。

这东西不是新鲜玩意儿。我最初接触评分卡时，导师扔给我一本 60 年代的书，里面讲的就是这套逻辑。

第一阶段：纯人工阶段（1950 年代以前）

贷款审批全靠信贷员的主观判断。看人下菜碟，人情关系重，效率极低。我记得有个老前辈跟我说，他刚入行时，批一笔 5 万的贷款要等两周。这种事情放现在，用户早跑光了。

第二阶段：统计评分卡诞生（1950-1970 年代）

1956 年，Fair, Isaac and Company（也就是现在的 FICO）成立，把统计方法引入信用评估。他们第一次用逻辑回归来预测违约概率。这张早期的 FICO 评分卡，奠定了现代信用评分的基础。

    关键转折点： 从「我觉得你靠谱」→「数据说你靠谱」。信用评估从艺术变成了科学。

第三阶段：自动化大规模应用（1980-2000 年代）

计算机普及了。银行可以把评分卡嵌入到业务流程中。客户在柜台填表，后台系统秒出分数。信用卡业务爆炸式增长，靠的就是评分卡这个大规模自动化的「发动机」。

第四阶段：大数据与机器学习时代（2010 年代至今）

说实话，现在很多互联网金融机构已经不满足于传统的逻辑回归评分卡了。GBDT、XGBoost、深度学习都在用。评分越高，模型越复杂。但有意思的是，在很多监管场景下（比如银行核心风控），大家还是要求你提供一张「看得懂」的评分卡。为什么呢？

原因很现实。监管要审计，业务要解释。你拿一个深度神经网络去跟银监会汇报，说「这个黑盒子模型算出来他不合格」，人家是不认的。所以传统评分卡在合规领域，至今无法被完全替代。

应用场景太多了。我简单列几个最常见的：

信用卡审批： 这是最经典的应用。申请一张卡，后台跑评分，秒出额度。
个人消费贷款： 支付宝的花呗、微信的微粒贷，背后都有评分卡的身影。
房贷车贷： 金额大、周期长，评分卡是风控的「第一道大门」。
存量客户管理： 已经在我行贷款的人，能不能给他提额？会不会跑路？评分卡可以预测客户行为。
催收策略： 逾期客户里，谁还有还款意愿和还款能力？分数高的人可以温柔催，分数低的直接上外包。我以前在消费金融公司时，就用评分卡打分来分配催收资源，回收率提升了将近 15%。

避坑指南： 我曾经犯过一个错误。我把评分卡直接套用在「新客群」身上，没有做数据验证。结果建模时 AUC 有 0.75，上线后直接掉到 0.55。为什么？因为新客群的「征信数据缺失」，和老客群完全不一样。评分卡的适用范围非常依赖数据分布的一致性。换了一个客群，必须重新验证。

为了让你更直观地理解评分卡在业务中的位置，我画了一张流程图。这张图把「申请」到「审批通过/拒绝」的完整链条展示出来了。

信用评分卡不是什么黑科技。它是一个有 70 多年历史的成熟方法论。优点特别明显：透明、高效、好解释。缺点也有：对特征工程和分箱要求高，对新数据适应慢。

后面的章节，我带你一步步深入特征分箱这个核心环节。只有把分箱做好了，评分卡才能真正「准」。否则就是垃圾进，垃圾出。你想想看，是不是这个道理？

今天先到这儿。记住评分卡的本质：把人的信用，变成一张看得懂的分数表。