2. 分群评分概念
分群评分是信贷决策引擎从“一刀切”走向“千人千面”的核心技术。它不是对全部申请使用同一张评分卡，而是先根据客户特征（如收入稳定性、负债水平、历史行为）将客群拆分为若干同质子群，再为每个子群独立开发或适配专属评分模型。
一句话定义：分群评分 = 客群细分 + 子群专属评分。先分群，后评分；群不同，分不同。
2.1 什么是分群评分
分群评分（Segmented Scoring）在建模阶段引入“群体异质性”假设。传统通用评分假设所有申请人的风险驱动因素一致，而分群评分承认不同客群的风险模式存在结构性差异。
典型分群维度包括：
- 客群类型：新客 vs 老客、优质客 vs 次级客
- 产品类型：现金贷 vs 消费分期 vs 抵押贷
- 渠道来源：线上自营 vs 线下渠道 vs 第三方导流
- 行为阶段：申请期 vs 用款期 vs 逾期催收期
实战经验：分群不是越细越好。每个子群至少需要 2000+ 坏样本才能训练稳定模型。样本不足时，建议使用“分群+通用”混合策略。
2.2 分群评分与通用评分的区别
| 对比维度 | 通用评分 | 分群评分 |
|---|---|---|
| 模型数量 | 1 个模型覆盖全量客群 | N 个模型，每个子群独立建模 |
| 特征选择 | 全局最优特征集 | 子群差异化特征（如次级客侧重多头，优质客侧重收入） |
| 区分能力 | KS/AUC 在全体上表现平均 | 各子群 KS 可提升 5~15 个百分点 |
| 阈值策略 | 统一通过/拒绝线 | 子群独立阈值，风险定价更精准 |
| 开发成本 | 低，1~2 周可完成 | 高，需 4~8 周，依赖样本量和特征工程 |
| 维护复杂度 | 低，单一模型监控 | 高，需监控每个子群模型稳定性 |
| 适用场景 | 客群同质、样本不足、快速上线 | 客群异质、样本充足、追求精细化风控 |
避坑提示：不要为了分群而分群。如果分群后各子群的评分卡特征权重高度相似（特征重合度 > 80%），说明分群没有带来增量价值，此时应退回通用评分或合并子群。
2.3 分群评分的业务价值
分群评分在信贷业务中直接转化为四个核心收益：
- 提升通过率：优质客群使用更宽松的阈值，避免误杀；次级客群使用更严格的阈值，守住风险底线。整体通过率可提升 8%~15%。
- 降低坏账率：针对高风险子群定制强特征（如多头借贷指数、共债风险分），坏账率可下降 10%~20%。
- 优化定价策略：不同子群匹配差异化利率和额度，实现“低风险低利率、高风险高利率”的精准定价。
- 提升模型可解释性：子群内部风险模式更集中，业务人员更容易理解“为什么拒绝”和“为什么定价高”。
沙盘推演案例：某消费金融平台将客群分为“优质白领”“稳定蓝领”“自由职业”三群。分群后，优质白领通过率从 72% 提升至 85%，自由职业坏账率从 8.3% 降至 5.1%，整体年化收益增加 2300 万元。
2.4 分群评分落地要点
在沙盘实战中，分群评分需要关注三个关键环节：
- 分群有效性验证：使用卡方检验、IV 值或聚类轮廓系数确认分群后各子群风险分布存在显著差异（p < 0.05）。
- 样本量保障：每个子群至少 3000+ 样本（含 5%~10% 坏样本），否则模型稳定性无法保证。
- 模型监控频率：分群模型需按月监控 PSI（群体稳定性指数），PSI > 0.1 时需触发模型重训或子群合并。
沙盘操作建议：在沙盘环境中，建议先尝试 3~4 个分群方案（如按收入分层、按渠道来源、按历史逾期次数），对比各方案的 KS 和 Lift 曲线，选择区分度最高的分群策略。