信用评分模型概述
什么是信用评分？
信用评分，说白了就是一个数字。这个数字告诉你：某人会不会按时还钱。
我刚开始做风控时，总以为信用评分是个高深莫测的黑盒。后来才发现，它其实就是把借款人的各种特征——年龄、收入、历史还款记录——扔进一个公式，算出一个概率，再映射成整数。
| 维度 | 说明 |
|---|---|
| 定义 | 用统计模型对借款人信用风险量化的分数 |
| 输出 | 通常 300~850 分，越高越安全 |
| 核心要素 | 还款历史、负债水平、信用历史长度、新信贷、账户类型 |
| 技术本质 | 基于逻辑回归或树模型的条件概率估计 |
你想想看，银行每天收到几千笔贷款申请，每笔都要人工审核？那效率太低了。信用评分就是那个自动筛选器，把好人坏人用数字区分开来。
应用场景
我在项目中见过最常用的场景就这几个：
- 信贷审批——信用卡、房贷、车贷，分数低直接拒或加利率
- 风险定价——同样借10万，A给年化5%，B给年化15%，差值全靠分数
- 额度管理——老用户提额，分数不够？抱歉只能维持现状
- 催收策略——逾期的人，分数低的优先打电话，高的先发短信
- 反欺诈辅助——虽然评分主要看信用，但低分有时也跟欺诈行为重合
嗯，这里要注意：信用评分不是万能的。它只评估“有没有意愿和能力还钱”，并不判断“是不是骗子”。所以很多公司会把评分跟反欺诈模型分开做。
避坑指南：我曾经帮一家互金公司复盘，他们只用信用评分决定是否放款，结果被团伙欺诈刷走几百万。因为团伙养号一年，把分数刷到700+，然后集中逾期。后来我们加上设备指纹和社交关系网络特征，才把识别率提上来。
发展历史
信用评分不是凭空冒出来的。它的演变，其实就是数据越来越“脏”、算法越来越“精”的过程。
关键节点一览
| 年代 | 事件 | 我的感受 |
|---|---|---|
| 1950s | Fair Isaac 公司（FICO）成立，推出第一个评分卡 | 那时候全靠纸和笔算权重，累死人 |
| 1970s | 美国《公平信用报告法》出台，评分变成合规工具 | 法律倒逼标准化，好事 |
| 1990s | FICO 成为行业标准，三大征信局普及 | 我入行时文档里全是FICO，别的模型没地位 |
| 2000s | 逻辑回归 + 决策树成为主流，机器学习开始冒头 | 大家发现树模型解释性也不错，就慢慢接受了 |
| 2010s~今 | XGBoost、LightGBM、深度学习，以及替代数据（话费、水电） | 数据卷上天，但监管也在收紧，可解释性又变重要了 |
我个人习惯把这段历史分成三段：手工时代（1950-1990）、统计时代（1990-2010）、智能时代（2010至今）。三段的核心矛盾一模一样：怎么在准确性和可解释性之间找平衡。
注意：很多人以为新模型一定比老模型好。我在实际项目中看到，有些场景下逻辑回归的表现比 XGBoost 还要稳定。特别是数据量不大、业务模式固定时，简单模型反而更抗过拟合。别盲目追新。
好了，这就是信用评分的底子。后面几章我们会动手做一个真实的评分卡，从数据清洗一直干到模型上线。到时候你会发现，今天讲的历史和体系，每个细节都会用到。