信用评分在线推理链路从入门到实战 - 第1节
1.1 信用评分的定义与核心概念
信用评分（Credit Scoring）是一种利用统计模型或机器学习算法，对借款人的信用风险进行量化评估的方法。它将借款人的历史行为、人口属性、交易记录等多维信息转化为一个数值分数，用以预测其未来违约或逾期还款的概率。
核心公式逻辑： 信用评分 ≠ 简单的加减分，而是通过逻辑回归、决策树、XGBoost 等模型，将特征映射到对数几率（Log-Odds）空间，再经过线性变换得到最终分数。
一个典型的评分卡模型输出可以表示为：
Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率信用评分在金融风控中的核心价值体现在以下三个方面：
- 标准化决策： 用统一标准替代人工经验判断，减少主观偏差，提升审批效率。
- 风险定价： 根据分数高低差异化设定利率、额度，实现风险与收益的平衡。
- 全生命周期管理： 覆盖贷前、贷中、贷后，支持自动化决策与动态监控。
1.2 发展历史：从手工统计到机器学习
信用评分的发展经历了四个关键阶段，每个阶段都推动了风控效率的质变：
| 阶段 | 时间 | 核心方法 | 代表性事件 |
|---|---|---|---|
| 萌芽期 | 1950s 前 | 人工经验判断 | 信贷员根据“5C”原则（品德、能力、资本、担保、条件）主观评估 |
| 统计评分期 | 1956-1990s | 判别分析、逻辑回归 | Fair Isaac 公司（FICO）推出第一代通用评分卡 |
| 数据驱动期 | 2000s-2015 | 决策树、随机森林、GBDT | 征信数据丰富，第三方数据源（电商、社交）开始引入 |
| 深度学习与在线推理期 | 2015 至今 | XGBoost、LightGBM、深度神经网络 | 实时评分、特征工程自动化、模型可解释性（SHAP/LIME）成为标配 |
行业趋势： 当前主流金融机构仍以逻辑回归评分卡作为“白盒”基准模型，同时用 XGBoost/LightGBM 作为“黑盒”高分模型，两者互为补充。
1.3 常见评分卡类型
根据信贷业务的生命周期，评分卡主要分为以下三类：
- 申请评分卡（Application Scorecard）： 用于贷前审批环节，评估新申请客户的违约风险。特征主要来自申请表、征信报告、第三方数据。分数越高，代表客户资质越好，审批通过率越高。
- 行为评分卡（Behavior Scorecard）： 用于贷中管理环节，基于客户已产生的还款、消费、交易行为动态更新风险评级。常用于额度调整、交叉销售、早期预警。
- 催收评分卡（Collection Scorecard）： 用于贷后催收环节，预测已逾期客户的还款意愿和还款能力，指导催收策略（如短信提醒、电话催收、委外催收）的优先级和力度。
| 评分卡类型 | 应用阶段 | 主要特征来源 | 典型输出 |
|---|---|---|---|
| 申请评分卡 | 贷前 | 申请表、征信报告、多头借贷 | 审批通过/拒绝、初始额度 |
| 行为评分卡 | 贷中 | 还款记录、交易流水、额度使用率 | 额度调整、风险预警 |
| 催收评分卡 | 贷后 | 逾期天数、历史催收记录、联系人信息 | 催收策略（低/中/高优先级） |
1.4 信用评分在金融风控中的核心价值
信用评分不仅是风险量化的工具，更是金融机构实现自动化、规模化运营的基石。其核心价值可归纳为：
- 提升效率： 将审批时间从数天缩短至秒级，支持 7×24 小时在线自动决策。
- 降低坏账： 通过精准区分“好客户”与“坏客户”，将违约率控制在可接受范围内。
- 合规与公平： 评分卡模型可审计、可解释，满足监管对信贷决策透明性的要求。
- 精细化运营： 支持差异化定价、额度管理、催收策略，实现“千人千面”的风险管理。
注意： 评分卡模型并非一成不变。随着宏观经济、客群结构、欺诈手段的变化，模型需要定期监控、回检和迭代，否则会出现“模型衰退”现象。
1.5 信用评分体系架构总览
下图展示了信用评分在金融风控系统中的位置与核心流程，从数据接入到最终决策输出，形成完整的在线推理链路：
1.6 三种评分卡在业务中的协同关系
申请、行为、催收三种评分卡并非孤立运行，而是形成覆盖信贷全生命周期的闭环体系。下图展示了三者在时间轴上的衔接与数据流转：