信用评分概述：发展历史、应用场景、基本概念
信用评分，说白了就是给借款人打个分，判断他会不会赖账。我入行那会儿，这还是个挺神秘的东西。现在呢？几乎所有金融决策都离不开它。你不信？想想你申请信用卡、房贷时，银行几分钟内就给出结果——背后就是评分卡在自动运算。
1.1 发展历史：从手工到算法
最早没有评分。银行经理看客户一眼，聊两句，拍脑袋决定。后来有了简单的打分表——比如费埃哲（FICO）在1950年代搞的那套。再到后来，机器学习和大数据入场。嗯，这里要注意，虽然技术变了，但核心逻辑没变：用历史数据预测未来行为。
- 手工阶段（1950s前）：靠信贷员经验，主观性强，效率低。
- 统计评分（1950s–1990s）：FICO等公司引入线性回归、逻辑回归，建立评分卡。
- 机器学习（2000s–今）：随机森林、XGBoost、深度学习，但也带来可解释性挑战。
我个人最深的感受是：技术越先进，数据质量越重要。再好的模型，喂进去垃圾数据，出来的也是垃圾信用评分。
1.2 应用场景：不止是信用卡
很多人以为信用评分只用在信用卡审批。其实远不止。我服务过的客户覆盖银行、消费金融、网贷、保险甚至租房场景。来看这张表：
| 场景 | 典型用途 | 风险关注点 |
|---|---|---|
| 信用卡审批 | 是否批卡、额度多少 | 逾期可能性 |
| 消费贷款 | 是否放款、利率定价 | 违约概率 |
| 房贷 | 首付比例、利率 | 长期还款能力 |
| 网贷 | 快速自动化决策 | 欺诈＋信用风险 |
| 保险 | 保费厘定、理赔预测 | 骗保、风险选择 |
| 租住 | 押金减免、信用免押 | 租金拖欠 |
你想想看，同一个人的信用评分，在不同场景下的含义其实不一样。信用卡审批更看重短期还款意愿，房贷更看重长期经济实力。所以模型不能一刀切。
1.3 基本概念：你必须知道的术语
做信用评分特征工程，有几个概念绕不开。我刚开始时也被这些缩写搞晕过。
- PD（Probability of Default）：违约概率。核心中的核心。大部分评分卡最终输出就是PD。
- LGD（Loss Given Default）：违约损失率。就是客户违约后，你还能收回多少。
- EAD（Exposure at Default）：违约风险敞口。违约那一刻，客户欠你多少钱。
- 评分卡（Scorecard）：将PD映射到一个分数上，比如300–850。方便业务理解。
- A卡 / B卡 / C卡：A卡（申请评分），B卡（行为评分），C卡（催收评分）。不同阶段用不同模型。
我在项目中经常看到新人把A卡和B卡混在一起用。避坑指南：A卡只依赖申请时的静态数据；B卡必须用动态行为数据，比如还款记录、交易频次。乱融合会导致模型不稳定。
为什么会这样？因为客户一旦开始还款，行为模式就变了。你不能用申请时的那几个字段去预测半年后的表现，得加入时间切片特征。
1.4 信用评分特征工程核心流程
下面这张图，我花了不少时间打磨。它展示了从原始数据到最终评分卡的完整链路。你可以收藏起来，后面每一章都会对应这个流程的某个环节。
1.5 为什么特征工程如此重要？
我见过太多团队在模型调参上花大量精力，却忽略特征工程。结果是AUC提升0.01，但模型稳定性和业务可解释性一塌糊涂。信用评分不是学术比赛，落地才是王道。
特征工程为什么重要？三个原因：
- 信息量决定模型上限：算法只是逼近这个上限。好特征能直接提升PD预测能力。
- 可解释性要求：金融监管要求模型可解释。逻辑回归评分卡依赖WOE变换和IV筛选，这些都是特征工程的事。
- 稳定性和时效性：信用评分需要跨周期稳定。如果特征随时间漂移，模型就会失效。特征监控、衍生特征设计都是特征工程的一部分。
我记得有一次帮某银行优化评分卡，他们用了几十个原始变量直接跑逻辑回归，结果KS只有0.25。我帮忙做了WOE编码、交叉特征、时间窗口聚合后，KS直接跳到0.42。老板当场拍板把方案上线。你看，特征工程就是有这个本事。
1.6 本章小结
这一章我们聊了信用评分的前世今生、应用场景和核心概念。从历史看到未来，你会发现特征工程始终是那条主线。后面我会从数据采集开始，一步步带你做出能上线的评分卡。准备好了吗？