2. 评分卡基础概念
2.1 什么是评分卡
评分卡（Scorecard）是一种将用户或交易的风险水平映射为数值分数的量化工具。在金融风控领域，评分卡通过统计模型或机器学习算法，将多维特征（如用户属性、行为数据、交易上下文）转化为一个可比较的分数，从而辅助决策者判断“是否通过”、“是否需要人工审核”或“是否直接拒绝”。
评分卡的核心输出是一个单调递增或递减的分数：
- 分数越高 → 风险越低（信贷场景通常如此定义）
- 分数越低 → 风险越高（或反之，取决于业务约定）
关键指标：评分卡通常需要定义 WOE（Weight of Evidence） 和 IV（Information Value） 来筛选特征，并确保分数与坏账率之间存在稳定的单调关系。
2.2 评分卡在信贷与支付领域的区别
虽然评分卡的核心逻辑相同，但信贷与支付两个场景在数据来源、时间窗口、决策时效和风险类型上存在显著差异。下表总结了主要区别：
| 对比维度 | 信贷评分卡 | 支付评分卡 |
|---|---|---|
| 风险类型 | 信用风险（还款能力、违约概率） | 欺诈风险（盗刷、账户盗用、洗钱） |
| 数据来源 | 征信报告、收入证明、负债率、历史还款记录 | 设备指纹、IP 地理信息、交易行为序列、生物特征 |
| 时间窗口 | 长周期（月、年），关注历史 6-24 个月 | 短周期（秒、分钟），关注实时行为与近期 7 天 |
| 决策时效 | 分钟级到小时级（可人工复核） | 毫秒级（必须实时响应） |
| 模型更新频率 | 季度或半年 | 周级甚至天级（对抗欺诈变种） |
| 分数含义 | PD（违约概率）映射为分数 | 欺诈概率或异常得分 |
| 典型输出 | 通过/拒绝/人工 | 放行/拦截/二次验证 |
实战提示：支付风控评分卡更强调“实时特征”和“对抗性”。信贷评分卡的特征一旦稳定可以长期使用，而支付评分卡的特征需要频繁迭代以应对黑产工具的变化。
2.3 标准评分卡与机器学习评分模型的对比
标准评分卡（通常指逻辑回归评分卡）与机器学习评分模型（如 XGBoost、随机森林、神经网络）在可解释性、性能、部署复杂度等方面各有优劣。下面通过结构图和表格进行对比。
2.4 详细对比表
| 对比维度 | 标准评分卡（逻辑回归） | 机器学习评分模型 |
|---|---|---|
| 模型结构 | 线性模型，特征需分箱 + WOE 转换 | 树模型、神经网络、集成模型等 |
| 可解释性 | 高，每个特征贡献可拆解为分数 | 低，需借助 SHAP、LIME 等工具 |
| 特征交互 | 无自动交互，需手动构造 | 自动捕捉高阶交互 |
| 数据需求 | 中等，对缺失值敏感 | 大，对缺失值有一定鲁棒性 |
| 训练速度 | 快（分钟级） | 较慢（小时级，取决于数据量） |
| 推理速度 | 极快（微秒级） | 快（毫秒级，但复杂模型可能更慢） |
| 监管合规 | 容易通过，分数可解释 | 困难，需额外解释性报告 |
| 适用场景 | 信贷审批、传统银行风控 | 支付欺诈检测、实时反欺诈 |
注意：在支付风控领域，虽然机器学习模型精度更高，但很多监管机构（如央行、银保监会）仍要求对拒绝交易提供明确理由。因此，混合方案（机器学习模型输出分数 + 标准评分卡提供解释）正成为行业最佳实践。
2.5 评分卡在支付风控中的典型流程
下图展示了支付评分卡从特征输入到最终决策的完整链路：
2.6 本章小结
- 评分卡是将风险量化为分数的工具，核心在于特征分箱、WOE 转换和分数映射。
- 信贷评分卡关注长期信用风险，数据稳定、更新慢；支付评分卡关注实时欺诈风险，数据动态、更新快。
- 标准评分卡可解释性强、监管友好，但精度有限；机器学习模型精度高、可处理复杂交互，但解释性差。
- 实际支付风控系统常采用混合架构：机器学习模型做初筛，标准评分卡提供解释和兜底规则。