1. 信用评分模型概述
1.1 信用评分卡的发展历史
信用评分卡（Credit Scorecard）是金融风控领域最经典、最成熟的量化决策工具之一。其发展历程可追溯至20世纪50年代，经历了从人工经验到统计模型、再到机器学习驱动的三个主要阶段。
| 阶段 | 时间范围 | 核心方法 | 代表性事件 |
|---|---|---|---|
| 萌芽期 | 1950s – 1960s | 专家经验 + 手工打分 | 美国零售商使用“5C”原则（Character, Capacity, Capital, Collateral, Conditions）进行人工授信 |
| 统计建模期 | 1970s – 1990s | 逻辑回归 + 判别分析 | FICO公司推出通用信用评分；逻辑回归成为行业标准算法 |
| 机器学习期 | 2000s – 至今 | GBDT、XGBoost、深度学习 | 大数据征信兴起；在线推理与实时学习成为新趋势 |
关键里程碑： 1989年，FICO评分正式商用，标志着信用评分从“定性判断”进入“定量标准化”时代。至今，FICO评分仍是全球最广泛使用的个人信用评分体系。
1.2 评分卡在金融风控中的核心价值
信用评分卡是现代金融风控体系的“守门人”，其核心价值体现在以下四个维度：
- 标准化决策： 将主观判断转化为客观、可复现的分数，消除审批人员之间的决策差异。
- 风险定价： 根据评分结果差异化设定利率、额度、期限，实现“高风险高定价、低风险低定价”。
- 监管合规： 评分卡的可解释性（如逻辑回归权重）满足巴塞尔协议、银保监会等监管要求。
- 自动化与效率： 在线推理场景下，毫秒级返回评分结果，支撑全自动审批流程。
行业数据： 采用信用评分卡的金融机构，平均审批效率提升 60% 以上，坏账率下降 30%–50%。评分卡是风控从“人治”走向“数治”的关键基础设施。
1.3 A卡 / B卡 / C卡的区别
在信贷业务全生命周期中，不同阶段的评分卡承担不同职能。业界通常将其分为三类：申请评分卡（A卡）、行为评分卡（B卡）和催收评分卡（C卡）。
| 维度 | A卡（Application Scorecard） | B卡（Behavior Scorecard） | C卡（Collection Scorecard） |
|---|---|---|---|
| 应用阶段 | 贷前审批 | 贷中管理 | 贷后催收 |
| 预测目标 | 客户违约概率（PD） | 客户逾期/流失风险 | 催收回收率 / 失联概率 |
| 数据来源 | 申请表 + 外部征信 | 历史还款行为 + 交易流水 | 催收记录 + 联系人信息 |
| 时间窗口 | 首次授信时点 | 贷中持续监控（月度/周度） | 逾期后 0–180 天 |
| 模型更新频率 | 季度 / 半年 | 月度 / 周度 | 按催收策略动态调整 |
| 典型输出 | 申请评分（0–1000） | 行为评分 + 额度调整建议 | 催收优先级 + 最佳联系时段 |
注意： 在在线推理与学习场景中，B卡和C卡对模型实时更新的需求远高于A卡。贷中行为数据每分钟都在变化，催收策略需要根据最新联系结果动态调整。本课程后续章节将重点讲解如何构建支持在线学习的B卡和C卡推理服务。
1.4 小结：为什么从“在线推理与学习”切入？
传统评分卡以离线批量训练为主，模型更新周期长（通常按月/季度）。但在移动互联网和实时风控场景下，客户行为变化极快，离线模型无法及时捕捉风险信号。本课程聚焦于：
- 在线推理： 将训练好的评分卡模型部署为 RESTful API 或 gRPC 服务，毫秒级返回评分结果。
- 在线学习： 利用新产生的交易、还款、催收数据，实时或近实时地增量更新模型参数，使评分卡始终保持“新鲜度”。
- 工程落地： 涵盖特征存储、模型版本管理、AB测试、监控告警等生产级基础设施。
课程目标： 学完本章后，你应能清晰区分 A/B/C 卡的业务定位，并理解为什么在线推理与学习是下一代信用评分系统的核心技术方向。