概述
信用借贷方使用信用评分卡来衡量借款人的信用，并让销售人员更好地了解消费者对产品及服务的兴趣。
贷款人通常使用信用评分卡来确定个人偿还信贷额度，或无担保个人贷款、定期支付抵押贷款、甚至每月支付服务和产品的可能性。
为了帮助对申请人做出决策，利用第三方供应商提供的数据（包括拖欠分数，失败分数和付款评级，以及人口统计属性和当前账户活动的历史记录）来创建预测贷款违约概率的模型。贷款方可以通过避开那些可能无法偿还贷款的人来降低风险，并通过提供给有偿还能力的客户新的产品以及服务来增加收入机会。
数据挖掘和预测建模提高了风险管理以及资源优化的能力。通过将分析直接纳入贷款策略，贷款方可以评估和优化客户信用周期的每个阶段。
什么是信用评分卡
信用评分卡是一个预测模型的简化表现形式，它将所有与变量相关特征有关联的因素相加，以产生一个分数结果。贷款人使用信用评分卡来进行信用决策，例如：新贷款申请评估、信用额度变更、交易超限审批等等。
信用评分卡的价值在于它使得建模输出对于贷款人以及潜在的借款客户来说都非常易于理解。
信用评分卡被用于构建信用风险模型的通用格式是因为它易于理解、管理和部署以及允许利益相关者之间的直接沟通并提供简单诊断和监控的特性。监管机构接受信用评分卡作为显示信用风险的标准方法。
●
生成消费者信用评分卡的过程：
-
建立一个统计模型
-
应用这个统计模型对个人的信用卡申请或者现有账户进行评分
●
申请评分卡被用于：
-
平衡收益和风险的初始定价
-
更好的个人层面贷款决策
-
坏账预测
使用不同的候选预测变量来创建信用评分卡。从原始数据源创建和操作数据集来过滤掉不需要的数据。
信用评分卡对模型中要使用的变量的一系列值分配点数，这个被称为预测能力的度量（MOPP），该范围可用于评估每个候选预测因子的潜在价值及其对信用评分卡预测能力的影响。
然后将信用卡申请人或现有客户的档案用于信用评分卡的计算。信用评分卡的最终总和用于确定信用支付的可能性。
变量具有不同的预测能力，信用评分卡包含的变量会因其预测能力而对最终得分产生影响
影响受理或驳回申请的最终总和样本
贷款方使用信用评分卡的好处
在决定向谁提供信贷或将谁作为营销活动的目标时所面临的挑战与最大限度地降低风险有关。当数据集中有数千个变量用于分析数百万人的个人资料时，这点变得尤其重要。
|
内部数据资源 |
外部数据资源 |
|
应用数据 申请时提供 如：年龄、收入、居住年限 |
监管局数据 Equifax、Experian、TransUnion |
|
行为数据 随时间变化的 如：余额、使用情况、付款历史记录 |
人口统计数据库 Axoim、Mosaic |
可能用于评分卡的数据来源
自动信用评分卡方法可以提高规模和速度。它创建了一个处理批准或拒绝的即时流程，减少了审核申请所花费的时间并且增加了可以使用现有资源评估的账户数量。
评分卡种类
评分卡通常有两种：申请评分卡和行为评分卡。申请评分卡用于评估接受还是拒绝应用信用额度（例如：信用卡或抵押）。行为评分卡是账户管理和催收中的有用预测模型，其中评分卡可以与基于概率的模型组合。
●
申请评分卡
信用分析师的目标是通过预测分析识别那些没有偿还的人和那些需要相当长时间才能偿还的人（>60天）来降低风险。评分卡用于确定一开始的可信度。
申请评分卡对申请人进行信用违约可能性的预测。从贷方获得贷款的已有借贷人的信息将用来分析新的申请人。
因为潜在客户的数量要远远高于现有客户群体，正确开发的新发放贷款信用评分卡必须能够在更大的潜在客户群体的背景下按预期运行。现有客户群体的信息以及那些被拒绝贷款的客户信息都要被运用起来。
潜在的借款人需要被归类为好的或者坏的候选人。有的时候会用拒绝推断方法，因为不太可能收集一个申请人的全部过往申请、信用记录。拒绝推断方法将对被拒绝申请人推断账户状态，然后把这些结果和已通过的申请结合以创建一个可预测的分析模型，从而将其扩展到一个申请评分卡上。
消除选择偏差会产生最有效率的申请评分卡。拒绝推断方法确保信用评分模型的准确性和实际性能，以及产生可预测整个群体行为的评分卡。借用这种洞察力，贷款和信贷组织可以降低与贷款相关的风险并提高盈利增长。
●
行为评分卡
行为评分卡用于监控当前客户的行为。在信用贷款的业务中，行为评分卡用于监控和管理账户的生命周期，更新或审查信用额度以及设置催收策略，审查定价和条款。
这种类型的评分卡具有访问额外交易和行为信息以得出更精确的分数的优点。虽然申请评分卡适用于新的贷款发放，但是行为评分卡可以更好的决定是否在抵押贷款更新时提供较低的利率以促进新的理财产品和服务，还是避免提供新的信贷。行为评分卡往往比申请评分卡更准确，主要因为可以用来生成这种行为类模型的数据更多。
评分卡应用场景
使用Altair Knowledge Studio™
评分卡的优点
关于 Altair Knowledge Studio™
Altair Knowledge Studio是市场领先的预测分析和机器学习解决方案，数据科学团队在面对数据货币化时代时，通过使用这些解决方案来简化数据科学。
Knowledge Studio采用灵活开放的方法，允许数据科学团队使用通用方法，优选统计算法和倾向的编程语言而无需编写复杂的代码，让业务分析师和数据科学家可以更有效地发现数据的洞察力。
Knowledge Studio 中的评分卡差异性
通过易用的工作流程更有效地开发评分卡
Knowledge Studio利用直观和交互式的工作流程来构建和展示评分卡，可以在几分钟内刷新和重复利用评分卡流程，而无需编写任何代码。
通过点击和拖动的工作流程，非常简单地将流程节点拖动到工作画布上，并与其它节点连接形成工作流。该工作流提供信用风险评分卡开发过程中所需要的即时可视化文档。
选择最具预测性的变量以获得最佳评分卡表现
决策树、策略树、图标和表格可以让使用者查看和理解变量之间的关系和行为并快速地提供准确的评估来减少变量。
预测能力测量(Measure of Predictive Power，简称MOPP)可以使用户毫不费力的筛选变量以选择在评分卡开发中使用最相关的变量。候选预测变量可以通过点击按钮来进行排序，从而大大减少评分卡变量选择的总时间。
基于获得专利的决策树技术， Knowledge Studio 将预测分析发展为规范分析。通过决策树，数据科学家和业务分析师可以将多种模型，比如，将客户倾向和客户周期价值结合在一起并覆盖业务规则（聚合计算）。
这样的话用户可以更好地可视化和了解细分市场（例如：给定的默认值或预期值）。分析师可以为这些规范模型分配行动和解决方法以快速比较战略计划和适当的目标细分。
有了这些知识，信贷放款人就可以考虑采取以下措施：
-
通过预测客户应对不同向上销售/交叉销售活动的倾向来防止收入损失的机会。使用决策树，可以根据实现某些收入水平或达到特定保证金水平的可能性，将处理方案应用于一个或者多个客户细分档案。
-
预测一个人在贷款申请中偿还信贷额度或进行欺诈活动的可能性，从而最大限度的降低贷款风险。将业务准则应用于不同客户档案可以产生更高的收入水平，降低风险并且带来额外的增量业务机会。
优化分级
粗分类（binning）是将数据聚合到稳定和统计显著范围的必要手段，并在这些范围内形成有意义的目标变量趋势。
传统上来说，这是一项繁琐的手动任务。使用Knowledge Studio 的灵活且智能的证据权重优化程序（WOE），这个分级过程可以变成全自动的，并且仅在此任务所花费时间将减少50%。
自动化粗分类的过程加快优化了预测变量分组，这对于确保单调趋势、无空值和大小相等的分组是必须的，从而提高了评分卡稳定性和准确性。
偏差最小化
传统的申请评分卡使金融机构很难辨别出所有“好”的客户。不可避免的是被接受的客户会在贷款或者偿还欠款时违约，而一些被拒绝的客户可能具有很好的可信度以及盈利性。拒绝推断通过纠正和最小化选择偏差并防止模型过度拟合来提高申请评分卡的质量。
拒绝推断包括比例分配、强行中断、分包以及模糊增强以确保信用评分模型的更准确真实的表现并产生可以预测总群体行为的评分卡。利用这种方式，贷款和信贷组织可以降低关于贷款相关的风险并提高盈利增长。
比例分配
假设使用随机过程使账户已被拒绝，例如：比例分配方法随机分配一定比例的拒绝账户为坏账户
强行中断
也被称为简单扩充。使用基于接受数据集创建的逻辑回归模型对拒绝的记录进行评估。应用截止值来区分好账户和坏账户。通常设置此截止分数来确保拒绝数据集中坏账的百分比高于接受的数据集中的百分比。
分包
分包采用比例分配方法，并通过创建信用评分条来构建。已知状态的接受账户将根据其信用评分进行分配计算每个评分条中不良账户的比例。通过使用计算的分数，被拒绝的账户被分配到分数带中。被拒绝的账户被随机分配好或坏的状态，这样的话使得每个评分条中的坏账户的比例与接受的数据集中的坏账户比例相匹配。
模糊增强
为每个被拒绝的申请人分配一部分好和一部分坏的状态。被拒绝的账户用已知的评分卡模型评分，并确定好的和坏的概率。通过为每个记录创建两个加权案例，为每个被拒绝的帐户分配一个部分好和部分坏状态。拒绝的好账户用好的概率加权，拒绝的坏账户用坏的概率加权。将推断的拒绝和接受合并，并根据批准率进行调整。
拒绝推断概述报告
使用评分卡结果无缝开发和部署客户策略
战略设计、开发和部署工具使用户能够将评分卡与用户定义的业务规则和关键绩效指标结合起来，生成目标明确的列表，并对其应用诸如信用额度、收款和营销活动活动等处理方法。
由评分卡模型和业务规则组合而成的预测策略比基于预测性假设的猜测产生的影响要高得多，并创建了一个自动化、优化的信贷生命周期处理环境。
总结
Knowledge Studio 的端到端分析建模功能使信贷风险分析师能够创建高质量的评分卡。使用链接的工作流，数据科学家和业务分析师可以完成数据准备任务，进行分析和细分，并构建包含信用评分分类的预测分析模型。
由于不需要编码，数据科学经常遇到的复杂性被一种有效的方法所取代，从而使数据中的洞察力可以创造更多的价值。
#1提高效率
Knowledge Studio 提供了一个功能强大的自动化画布，用于构建、刷新、重复使用评分卡开发工作流程。
#2选择最佳变量
Knowledge Studio 能够有效分析数千个候选预测变量，以便轻松选择最具预测性和影响力的变量。
#3优化分级
Knowledge Studio 通过使用灵活且智能的证据权重优化器（WOE）来实现自动化这一过程，可以最多减少50%的时间。
#4偏差最小化
Knowledge Studio 包含多种拒绝推断方法，通过纠正和最小化选择偏差并防止模型过度拟合来提高申请评分卡的质量。
#5制定战略
使用 Knowledge Studio 的策略树和其他预测模型完成开发、验证、部署和监控客户策略
案例
领先的北美银行都是用评分卡来更好地开发和部署信用收集策略
目标
一家全球性银行正在寻求简化信贷战略流程，使信贷分析师无需依赖信贷分析部门以外的资源就能获得新的数据来源。
挑战
新的客户数据源必须与来自传统结构化数据源的历史数据相结合。将数据整合到现有模型需要信用分析师和定量团队之间的持续协调，从而导致新的信贷产品推出的延迟和整体生产力的降低。
现有模型受到多种灵活性的限制，如：增加新变量、迭代测试场景然后迅速做出改变、查看人口细分以更轻松地识别那些更有可能对催收策略做出回应的人等等。
1.银行使用决策树来提供预测行为指标的可视化，并计算变量和测量内容之间的关系
2.应用业务规则来创建阶段催收策略，从而提高运营效率并最大化应收账款机会
解决方案
该银行运用机器学习方法，使用客户数据，如：信用评分、过去的支付行为、未付余额、收入、家庭规模、其他产品使用等等，通过神经网络建立支付预测模型。以此建立了倾向性评分，并将其应用于每个客户，以确定支付的可能性。与优化引擎一起，这个分数被用来创建可操作的催收策略。
已实现的商业利益
-
针对22%的逾期客户回收了50%的未偿还债务总额；
-
优化引擎提供了进一步节约运营成本、确定理想的催收渠道，即电话、电子邮件、信件等；
-
模型开发时间缩短，由原来的7周缩短为3周。
信用额度减少方案对客户非常敏感，所以我们在分析中尽量做到精确。Altair在我们辨别客户的能力从而提供贷款方面给了很大的提升。我想说这是对我们之前项目的重大改进，自从我们使用Altair Knowledge Studio我们现在看到的结果是难以置信的。
——Albert Kwong
Risk Management Credit Risk Strategies,
TD Bank
”
关于Altair
Knowledge Studio 是 Altair Knowledge Works 的一部分，它结合了市场领先的企业数据准备，预测分析和可视化解决方案，为业务分析提供了动力。无论数据的来源，格式或者叙述形式是什么，Altair可以自信的帮助个人和组织来掌握所有的数据， 从而加快洞察的时间。
Knowledge Works 的架构旨在推动更多数据的使用，增强信任度，并将更多思想融入业务分析中。旨在支持整个组织的数据和分析要求，从业务分析师到数据科学家，再到业务线负责人，IT/BI 员工和首席数据分析师。
Altair Knowledge Studio 是一个强大的产品，并与Altair 通过在整个产品生命周期中使用 Knowledge Studio 和优化应用仿真，数据科学来转变产品设计和决策的愿景相一致。