2、评分卡模型原理：标准评分卡、逻辑回归评分卡、A卡B卡C卡
做信用评分这些年，我见过不少团队把评分卡当成黑盒——调完参数就跑，根本不理解底层原理。其实评分卡的核心就两件事：怎么把坏客户筛出来，怎么把分数算准。这章咱们把三种最常见的评分卡模型掰开揉碎讲清楚。
标准评分卡（经典方法）
标准评分卡，说白了就是老一辈风控工程师用Excel都能搓出来的东西。它的基础是WOE（证据权重）和IV（信息价值）。为什么用WOE？因为WOE能把原始特征转成对数几率，这样就能和评分做线性对齐。
我早期做信用卡申请评分卡时，用的就是标准评分卡。那时没有Python，全靠跑SAS。每个变量先手动分箱，算WOE，然后给每个分箱赋值。你想想看，如果一个变量分5箱，就得算5个WOE值，再转换成加减分。嗯，确实繁琐，但好处是解释性极强——业务方拿着打分表就能跟客户解释为什么拒贷。
构建标准评分卡的标准步骤：
- 数据准备：好坏样本定义（通常好=1，坏=0），时间窗口对齐。
- 分箱：对连续变量（如年龄、收入）做等距或等频分箱，对离散变量做类别合并。我个人习惯用卡方分箱保证组内坏账率单调。
- 计算WOE：WOE = ln( (好客户占比) / (坏客户占比) )，正数表示该箱比整体好。
- IV筛选：IV < 0.02的变量直接扔掉，IV > 0.5可能有过度相关。
- 线性转换：设定基准分（如600分）和刻度（每增加20分信用风险翻倍），把WOE映射成分值。
- 校准：用历史数据做PSI（群体稳定性指数）测试。我曾经因为没做PSI，上线一个月后分数漂了30分，紧急回滚。
逻辑回归评分卡（现代主流）
现在多数金融机构用的其实是逻辑回归评分卡。它的原理和标准评分卡一个模子，只是将WOE计算和系数估计交给了模型。说白了，逻辑回归的log-odds就是线性组合：
log(p/(1-p)) = β₀ + β₁x₁ + β₂x₂ + ...然后通过一个固定公式把log-odds转成分数：
Score = Offset + Scale × (β₀ + β₁x₁ + ...)这里Offset和Scale由业务定义——比如设定600分为均值，每20分对应坏账率翻倍。
相比标准评分卡，逻辑回归评分卡的好处是自动加权，不用人工拍权重。但代价是解释性变差——业务人员看不懂为什么某个特征系数是0.15。我建议必须同时保留WOE矩阵，这样每个变量贡献多少分，仍然可以分解给业务看。
| 对比维度 | 标准评分卡 | 逻辑回归评分卡 |
|---|---|---|
| 分箱方式 | 手动/卡方分箱 | 可自动分箱或直接入模 |
| 系数估计 | 人工设定或简单回归 | 最大似然估计 |
| 解释性 | 极好，每项可追溯 | 中等，需借助WOE映射 |
| 过拟合风险 | 低（分箱正则化） | 中等（可加L1/L2调节） |
| 维护成本 | 高，每次需重新分箱 | 较低，可自动重训 |
A卡、B卡、C卡（应用场景分类）
评分卡不只一种，不同场景对应不同卡片。这是很多新人容易搞混的。其实区分很简单：A卡看申请，B卡看行为，C卡看催收。
- A卡（Application Scorecard）：用在客户申请时。评估准入风险，输入变量通常是客户填表信息（年龄、收入、职业）和外部征信。目标是拒绝坏客户，别让他们进来。
- B卡（Behavior Scorecard）：用在客户已经用卡后。评估未来逾期风险，输入变量是交易流水、还款记录、额度使用率。目标是提前干预，调整额度或催收。
- C卡（Collection Scorecard）：用在客户逾期后。评估催收成功率，输入变量是逾期天数、历史催收记录、联络方式有效性。目标是决定先催谁、怎么催。
记得有一次帮某银行优化B卡，业务方拿来一堆A卡变量往里塞，结果模型失效。我告诉他们：A卡是准入门槛，B卡是动态管理，两者用的信息完全不一样。你想想看，一个客户的还款行为，怎么可能用他申请时填写的“本科毕业”预测出来？
下面这张图把三张卡放在客户生命周期里，一看就懂：
另外，很多人问「能不能用一套模型跑三个场景？」理论上可以，但实操上不推荐。因为三个阶段的Y定义不一样：A卡的坏账通常定义在开卡后12个月内逾期90天以上；B卡的坏账定义更短，比如未来3个月逾期30天；C卡则把「能收回30%本金」算做好。目标不同，模型自然不同。
关于校准，我个人有个小习惯：每张卡上线前，都要做时间外验证（OOT）。拿A卡来说，用2019年数据训练，用2020年数据回测，看看分组坏账率是否单调。如果不单调，说明分箱或系数有问题。这个习惯让我避免了至少两次上线翻车。