1. 信用评分卡模型概述与业务背景
做信用评分这么多年，我经常被问到同一个问题：“这玩意儿到底是怎么判断一个人能不能借钱？”
说白了，信用评分卡就是一套数学模型。它把借款人的各种信息——比如收入、负债、还款历史——转化成一个个分数。分数高，风险低；分数低，风险高。就这么简单。
但我得坦白说，我刚入行那会儿，把这事想得太简单了。总觉得找个算法一跑，结果就出来了。结果呢？第一版模型上线就翻车了。嗯，那故事咱们后面再聊。
1.1 为什么金融行业需要信用评分卡
你想想看，银行每天要处理成千上万的贷款申请。光靠人工审批？不现实。而且人的判断容易受情绪、偏见影响。今天心情好可能就批了，心情不好可能就拒了。这不科学。
信用评分卡解决的，就是三个核心问题：
- 标准化：同一套规则对所有申请者统一执行，不因人而异
- 可解释：拒绝贷款时必须给出理由——“征信报告逾期3次”，这才是合规的拒绝依据
- 可量化：风险高低用数字说话，好就是好，差就是差，没有模棱两可
关键点：信用评分卡的本质是“风险定价”。分数越低，风险越高，对应的贷款利率就应该越高。这不是惩罚，是覆盖潜在损失的手段。
1.2 信用评分卡的发展简史
我第一次接触评分卡是十几年前。那时候大家还在用Excel手动算加权分，想起来真是原始。
| 阶段 | 时间 | 特点 |
|---|---|---|
| 手工规则阶段 | 1970s-1980s | 专家制定规则，人工审批，效率极低 |
| 逻辑回归阶段 | 1990s-2010s | 使用逻辑回归建模，可解释性强，监管认可 |
| 机器学习阶段 | 2010s-至今 | XGBoost、神经网络等复杂模型，精度提升但可解释性下降 |
你可能会问：“那现在都2025年了，为什么不直接用深度学习？”
好问题。我在一个头部消费金融公司做过对比实验：XGBoost的AUC确实比逻辑回归高4-5个百分点。但问题是监管不认啊！银保监会要求你必须能解释“为什么拒绝这笔贷款”。深度学习那套黑箱，解释起来太费劲了。所以到目前为止，逻辑回归仍然是信用评分卡的行业标准。
1.3 IV值与特征分层的定位
说到我们的课程主题——IV特征分层。IV全称是Information Value，信息量。用来衡量一个特征对好坏客户的区分能力。
举个例子：年龄这个特征，年轻人违约率高还是低？其实是U型分布，两头高、中间低。如果不分层，直接拿年龄数值去建模，模型根本学不到这个规律。这就是我们要做特征分层的原因。
我个人的习惯：拿到一个新数据集，第一件事不是建模，而是先做IV分析。算一遍每个特征的IV值，脑袋里立马就知道哪些特征是“王者”，哪些是“废铁”。
1.4 特征分层在评分卡中的位置
下面这张图，是整个评分卡建模流程的主线。你看特征分层写在哪儿？对，就在数据预处理和模型训练中间。这一步做不好，后面全是白搭。
1.5 真实项目中的坑与教训
我曾经接手过一个“僵尸模型”——线下评分卡跑了大半年，KS只有0.15。什么概念？跟抛硬币差不多。我排查了一周，发现罪魁祸首就是特征分层没做好。
那家公司的分析师把所有连续变量都用等距分箱。结果呢？100万以下收入的客户全在一个箱子里，100万以上的在另一个箱子里。但实际数据中，80%的人收入在20-40万之间。这个分段有意义吗？完全没有。区分力全丢了。
注意：特征分层不是把数据切成几段就完事了。要结合业务含义、样本分布、坏账率趋势。我之前就因为偷懒用了自动分箱工具，结果上线3个月后模型PSI飙得离谱。惨痛教训。
1.6 本课程的学习路径
好了，开篇的内容就这些。我想让你记住三件事：
- IV值是特征筛选的“指南针”，哪个特征重要，看一眼IV就清楚了
- 特征分层是建模前必须做好的基本功，容不得半点马虎
- 可解释性是金融风控的底线，任何时候都不能为了精度牺牲可解释性
后面的章节，我会手把手带你走一遍IV计算和特征分层的完整流程。每一步都会配上Python代码，还有我踩过的坑——嗯，那些坑你就不需要再踩了。