信用评分模型A B测试从入门到实战 - 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、人口统计特征、财务信息等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。
在金融风控领域，信用评分是决策的核心依据，广泛应用于信贷审批、额度核定、利率定价、贷后监控等环节。
核心公式（逻辑回归基础）：
log(odds) = β₀ + β₁X₁ + β₂X₂ + ... + βₙXₙ
Score = Offset + Factor × log(odds)其中 odds = p/(1-p)，p 为违约概率；Offset 和 Factor 用于将分数映射到业务可理解的整数范围（如 300-850）。
信用评分的关键特征
| 特征 | 说明 | 业务意义 |
|---|---|---|
| 客观性 | 基于数据驱动，减少人工主观判断偏差 | 审批标准统一，避免人情单 |
| 可解释性 | 每个特征对分数的贡献可追溯 | 满足监管要求，便于业务优化 |
| 稳定性 | 分数在时间维度上保持相对稳定 | 支持长期风险策略制定 |
| 区分度 | 能有效区分好客户与坏客户 | 提升风险定价精准度 |
1.2 信用评分的发展历史
信用评分的发展经历了从经验判断到数据驱动、从简单规则到复杂模型的演进过程。以下为关键里程碑：
- 1950s-1960s：萌芽期——美国工程师 Bill Fair 和数学家 Earl Isaac 创立 FICO 公司，首次将统计评分引入信贷决策。
- 1970s-1980s：法律与标准化——美国《平等信用机会法》（ECOA）推动评分模型透明化；FICO 评分成为行业标准。
- 1990s-2000s：数据与模型扩展——征信数据丰富化，逻辑回归、决策树等模型广泛应用；评分卡（Scorecard）成为主流工具。
- 2010s-至今：机器学习与实时风控——XGBoost、随机森林、深度学习进入信用评分领域；A/B测试成为模型迭代的标准流程。
行业趋势： 当前信用评分正从“静态评分”向“动态评分”演进，结合替代数据（如水电费、社交行为）和实时行为流，实现更精准的风险画像。
1.3 信用评分在金融风控中的核心作用
信用评分不是孤立的技术指标，而是贯穿信贷全生命周期的决策引擎。以下从四个关键环节说明其核心作用：
| 风控环节 | 评分应用 | 业务价值 |
|---|---|---|
| 贷前审批 | 设定准入分数线，自动通过/拒绝/人工审核 | 提升审批效率，降低人工成本 |
| 额度核定 | 根据分数区间匹配授信额度 | 实现风险与收益的平衡 |
| 利率定价 | 高分低利率，低分高利率 | 覆盖风险溢价，提升竞争力 |
| 贷后监控 | 分数下降触发预警，启动催收或降额 | 提前识别风险，减少损失 |
注意： 信用评分模型并非万能。模型依赖历史数据，在经济周期切换、突发事件（如疫情）时可能出现“模型漂移”。因此，持续监控与A/B测试验证是模型管理的必要手段。
1.4 信用评分模型的核心架构
下图展示了信用评分模型从数据输入到决策输出的完整架构，帮助理解后续A/B测试的介入点：
1.5 信用评分与A/B测试的天然联系
信用评分模型并非一成不变。随着业务发展、客群变化、数据更新，模型需要持续迭代。而每一次模型升级，都面临一个核心问题：新模型真的比旧模型更好吗？
A/B测试正是回答这个问题的黄金标准。通过将流量随机分为实验组（新模型）和对照组（旧模型），在真实业务环境中对比关键指标（如坏账率、通过率、逾期率），从而科学评估模型效果。
信用评分A/B测试的典型场景：
- 模型版本升级： 从逻辑回归切换为XGBoost，验证区分度提升是否显著。
- 特征变更： 引入新的替代数据特征（如手机运营商数据），评估对风险预测的边际贡献。
- 阈值调整： 改变审批分数线，平衡通过率与坏账率。
- 策略优化： 针对不同分数段实施差异化利率或额度策略。