评分卡模型是什么？主要有哪几种类型？

评分卡是在金融行业常用的，衡量风险的有效工具。根据客户数据找出业务关注的变量并赋予各个变量的不同取值不同的分数后，再根据客户自身情况找出相应的分值求和，就得到了各个客户对应的风险评分。下图是一张典型的评分卡：

现代风控场景保留了两种生成评分卡的方式：根据业务经验构建评分卡，简称：规则评分卡；基于数据和模型量化训练的评分卡，简称：评分卡模型。根据数据积累情况、精度、可迁移性，两种评分卡各有优劣。通常，在新业务开展初期数据量较少的情况下会使用规则评分卡，以保证业务的正常启动；在业务开展一定时间并且积累了一定量数据后可以使用量化模型训练评分卡，以提升评分卡精度和审批效率。

传统模型评分卡的构建流程

要完整实施一个量化评分卡模型的落地项目，通常需要经历以下九个过程：

业务访谈：明确业务的问题和需求，定义模型的预测目标，了解相关业务和数据现状；
数据分析：明确建模数据范围和取数需求，获取数据并整理数据字典，进行数据质量诊断分析，基于数据进行基础的业务分析以及初步的数据清洗和数据聚合工作；
特征衍生：进行变量缺失值、异常值处理，结合专家经验和特征工程化衍生方法进行特征衍生，同时进行特征的初步筛选（缺失率、PSI角度、业务可解释性）；
模型设计：完成模型设计、其中最核心的环节是Vintage分析，滚动率分析和逾期趋势分析，其余还包括模型细分、样本选择，观察期定义、表现期定义、目标定义；
模型开发：包括样本分区与抽样、变量分箱、变量预筛选、变量转换WOE、逻辑回归、模型验证、评分校准、生成评分卡等环节；
模型验证: 模型开发完后对模型进行评估和测试，主要包括开发期验证、投产验证、上线后验证等阶段。
模型部署: 根据不同环境和条件，采取不同的部署方式；
模型监控: 模型上线后持续监控，检测模型的稳定性与泛化能力，观察模型是否受到外部环境变化的影响，来确定是否需要对模型进行优化；
模型优化: 确定模型效果下降时，需要对模型进行优化，根据优化程度可分为重新拟合和重新构建。
在开发模型时，评分卡常常会选用在金融领域有着不可动摇的统治地位的逻辑回归模型。逻辑回归除了具备对线性关系出色的拟合效果、高效的计算效率和强抗噪能力外，还有着优秀的可解释性，易于理解，同时变量系数可以与业务知识做交叉验证，更容易让人信服。

如果说风控是管理不确定性，既要规避损失，也要量化不确定性，还要处置不可规避的损失。那么在金融业务的风控上， 一是去选择合适的客户推荐合适他的业务，规避高风险客户和业务；二是量化风险评级，动态管理资产风险水平；三是拨备和资本金的准备去应对确定的损失。这其中种种，评分卡发挥着不可或缺的作用。

从“质”而言，“数据驱动业务”是风控的核心。无论是风控职能中的什么岗位，产品、策略、数据分析、模型等等，最终都要跟业务挂钩，而孕育风控岗位的金融业务又是一个天生以数据驱动的行业，这也决定了风控天生的“数字”属性。通过数据驱动，有效计算业务背后的概率，转化为得分，这也是评分卡模型诞生的初衷。

由“量”出发，当下数字时代，海量的数据信息不断消耗接收人的注意力，只有有效分配注意力，才能避免信息过剩导致注意力耗尽。评分卡将海量数据信息进行提炼，并通过模型的综合输出得分，仅需要参考得分，就可以做出业务判断，节省了大量时间与精力。

外部环境迅速在变，风险不停进化，客户也在变化，评分卡模型只有真正面向业务，融汇技术力量，才能实时应对外界变化。观远数据提供智能评分卡解决方案，从业务出发，由业务自主构建并评估认可评分卡模型，期望更好地助力金融行业智慧风控健康发展，助推经济社会普惠进程。

相关文章：
评分卡模型是什么？主要有哪几种类型？

为者常成，行者常至