4. 评分卡入门：概念、与决策树的关系及应用场景
评分卡是支付风控中最直观、最可解释的量化决策工具。它将用户或交易的多维特征（如历史交易金额、登录设备数、注册时长）映射为一个统一的分数，风控人员根据分数高低直接判断风险等级。本节从概念、与决策树的对比、典型应用三个维度建立评分卡的完整认知。
4.1 评分卡的核心概念
评分卡本质上是一个加权线性模型，每个特征被离散化为若干分段（bin），每个分段赋予一个独立的分数，最终将所有分段分数相加得到总分。总分越高，代表风险越低（或越高，取决于业务定义）。
| 概念 | 定义 | 风控示例 |
|---|---|---|
| 特征分箱 | 将连续变量或离散变量划分为若干区间 | 交易金额：0-100元、100-1000元、1000-10000元、>10000元 |
| WOE编码 | 证据权重，衡量每个分箱中好坏样本的分布差异 | WOE = ln(好样本占比 / 坏样本占比) |
| IV值 | 信息量，衡量特征对好坏样本的区分能力 | IV > 0.3 表示强预测力特征 |
| 基准分 | 评分卡的基础分数，通常对应好坏比=1时的分数 | 基准分 = 600，对应好坏比 1:1 |
| PDO | 分数翻倍所需的好坏比变化倍数 | PDO=50，表示分数每增加50分，好坏比翻倍 |
关键公式： 评分卡总分 = 基准分 + Σ(每个特征分箱的分数)。每个分箱分数 = (WOE × 系数 + 截距调整) × 缩放因子。
4.2 评分卡与决策树的关系
评分卡和决策树是风控中两种主流的可解释模型，但它们的决策逻辑和适用场景有本质区别。下表从多个维度进行对比：
| 对比维度 | 评分卡 | 决策树 |
|---|---|---|
| 决策方式 | 线性加权，各特征独立贡献分数 | 树形分支，特征间存在交互和路径依赖 |
| 可解释性 | 极高，每项扣分/加分一目了然 | 较高，但深层树的分支逻辑复杂 |
| 特征交互 | 默认无交互，需手动构造交叉特征 | 自动捕捉特征间的非线性交互 |
| 输出形式 | 连续分数，可设置多级阈值 | 离散类别或概率，通常为二分类 |
| 稳定性 | 高，分数变化平滑，适合长期监控 | 中等，数据分布变化可能导致树结构剧变 |
| 监管接受度 | 极高，金融监管首选 | 较高，但需提供分支规则说明 |
在实际风控系统中，评分卡和决策树常常组合使用：评分卡作为主决策引擎，提供稳定、可审计的分数；决策树用于挖掘高维交互特征，或作为评分卡特征筛选的前置工具。
4.3 评分卡在风控中的应用场景
评分卡在支付风控中覆盖从用户准入到交易监控的全链路，以下是三个核心应用场景：
4.3.1 用户准入评分卡
- 用途： 新用户注册或首次绑卡时，评估该用户是否为高风险账户。
- 典型特征： 注册IP风险分、手机号归属地、身份证年龄、关联设备数。
- 决策逻辑： 分数 < 500 → 拒绝注册；500-650 → 人工审核；> 650 → 自动通过。
4.3.2 交易风险评分卡
- 用途： 每笔支付交易实时打分，判断是否拦截或增强验证。
- 典型特征： 交易金额偏离度、收付款方历史交易次数、设备指纹匹配度、地理位置距离。
- 决策逻辑： 分数 < 400 → 直接拦截；400-600 → 短信验证；> 600 → 放行。
4.3.3 额度管理评分卡
- 用途： 动态调整用户的单笔限额或日累计限额。
- 典型特征： 历史还款记录、账户余额均值、近30天交易频次、社交关系稳定性。
- 决策逻辑： 分数每增加100分，单笔限额提升5000元，日限额提升20000元。
实践建议： 评分卡上线后需定期监控分数分布漂移和特征WOE稳定性（PSI指标）。建议每月重跑一次IV值排序，确保特征区分力未衰减。
4.4 评分卡开发的标准流程
- 数据准备： 收集好坏样本（至少6个月历史数据），定义好坏标签（如逾期30天以上为坏样本）。
- 特征分箱： 对每个连续特征进行等频或等距分箱，确保每个分箱至少包含5%的样本。
- WOE/IV计算： 计算每个分箱的WOE值，筛选IV > 0.02的特征进入模型。
- 逻辑回归建模： 以WOE作为输入，训练逻辑回归模型，得到每个特征的系数。
- 分数转换： 设定基准分和PDO，将逻辑回归的log-odds转换为整数分数。
- 验证与校准： 使用KS、AUC、PSI等指标验证模型区分度和稳定性。
常见误区： 评分卡不是分数越高越好。分数只反映相对风险排序，必须结合业务容忍度设定阈值。另外，评分卡对缺失值敏感，分箱阶段需单独处理“未知”或“缺失”分箱。