信用评分模型Kafka实时接入教程 - 第2节
2.1 评分卡模型原理
评分卡模型（Scorecard）是信用评分领域最成熟、可解释性最强的统计模型。其核心思想是将借款人的特征变量通过 证据权重（Weight of Evidence, WoE） 编码与 逻辑回归（Logistic Regression） 框架结合，最终映射为整数分数。
核心公式： Score = Offset + Factor × ln(Odds)
其中 Odds = p/(1-p)，p 为违约概率；Offset 与 Factor 通过预设的基准分与翻倍分值计算得出。
其中 Odds = p/(1-p)，p 为违约概率；Offset 与 Factor 通过预设的基准分与翻倍分值计算得出。
2.1.1 建模流程
- 数据准备与清洗： 剔除缺失率过高、异常值明显的变量。
- 特征分箱： 将连续变量（如收入）离散化为若干区间，每个区间对应一个 WoE 值。
- WoE 编码： 计算每个分箱的证据权重，替代原始值进入模型。
- 逻辑回归拟合： 以 WoE 为自变量，违约/非违约为因变量，训练回归系数。
- 分数映射： 将回归系数与 WoE 线性组合，通过 Offset 与 Factor 转换为标准分数。
2.2 常用特征变量
信用评分模型的特征变量通常分为三大类：还款能力、还款意愿 与 稳定性。以下为最核心的变量及其在评分卡中的典型处理方式。
| 变量类别 | 变量名称 | 典型分箱区间 | WoE 趋势 |
|---|---|---|---|
| 还款能力 | 月收入 | [0, 3k), [3k, 8k), [8k, 15k), [15k, +∞) | 收入越高，WoE 越大（风险越低） |
| 还款能力 | 负债收入比 (DTI) | [0, 0.3), [0.3, 0.5), [0.5, 0.7), [0.7, +∞) | DTI 越高，WoE 越小（风险越高） |
| 还款意愿 | 历史违约次数 | 0 次, 1 次, 2 次, 3 次及以上 | 违约次数越多，WoE 越小 |
| 还款意愿 | 征信查询次数（近 3 月） | [0, 2], [3, 5], [6, 10], [11, +∞) | 查询次数越多，WoE 越小 |
| 稳定性 | 现单位工作年限 | [0, 1), [1, 3), [3, 5), [5, +∞) | 工作年限越长，WoE 越大 |
| 稳定性 | 居住稳定性（自有/租房） | 自有, 租房, 其他 | 自有 > 租房 > 其他 |
实战建议： 在实时接入场景中，收入与 DTI 通常从核心系统实时获取；历史违约次数与征信查询次数则依赖离线批处理更新至 Redis 或 HBase，Kafka 消息中仅携带用户 ID，由评分服务实时拉取。
2.3 模型输出：分数与阈值
评分卡最终输出一个整数分数（如 300~850 分），并基于业务风险偏好设定 拒绝阈值 与 通过阈值，形成决策规则。
2.3.1 分数含义
- 分数越高，违约概率越低，信用质量越好。
- 分数越低，违约概率越高，信用质量越差。
- 通常设定基准分（如 600 分）对应 Odds = 50:1（即违约率约 2%）。
2.3.2 阈值决策逻辑
| 分数区间 | 决策结果 | 业务含义 |
|---|---|---|
| ≥ 680 | 通过 | 优质客户，自动批准 |
| 580 ~ 679 | 人工审核 | 中等风险，需补充资料或人工判断 |
| < 580 | 拒绝 | 高风险客户，直接拒绝 |
注意： 阈值并非固定不变。在实时接入场景中，可通过 Kafka 下发动态阈值配置，实现不同产品线、不同渠道的差异化风控策略。例如，线上小额产品可适当放宽通过阈值至 650 分。
2.4 实时接入中的模型输出应用
在 Kafka 实时接入架构中，评分卡模型的输出分数与阈值决策需要与消息系统紧密配合：
- 分数计算： 评分服务消费 Kafka 消息中的用户特征，实时计算分数，并将结果写回 Kafka 结果主题。
- 阈值判断： 决策引擎消费结果主题，根据当前生效的阈值配置，输出“通过/人工/拒绝”决策。
- 动态配置： 阈值参数通过独立的 Kafka 配置主题下发，评分服务无需重启即可生效。
关键代码片段： 评分卡分数计算逻辑（Java 示例）
public class ScoreCalculator {
// Offset 与 Factor 由模型训练确定
private static final double OFFSET = 600.0;
private static final double FACTOR = 50.0 / Math.log(2);
public static int calculateScore(Map<String, Double> woeValues, double intercept) {
double logOdds = intercept;
for (Map.Entry<String, Double> entry : woeValues.entrySet()) {
logOdds += entry.getValue(); // 假设系数已合并至 WoE
}
double score = OFFSET + FACTOR * logOdds;
return (int) Math.round(score);
}
}