干货丨个人信用评估与风控模型

导读：个人信用评分是信用评估机构利用信用评分模型对消费者个人信用信息进行量化分析，其结果以分数形式展示个人信用高低。

在银行、信用卡中心等传统金融机构，为了确保经营贷款或信用卡业务盈利，其业务核心便是通过对消费者个人的信用评估，如对消费者个人基本信息、经济能力、信用历史记录、交易记录等经济和行为数据的系统分析，预测贷款申请人或现有贷款人违约可能性的大小，根据全面评估的个人履行各种经济承诺的能力开展金融服务。国际上常用的如FICO信用分，通过偿还历史、信用账户数、信用使用年限、新开立的信用账户数、在使用信用类型等因素对消费者个人信用进行评估。

个人信用评分模型类别

为了实现对服务消费者全流程的信用管理，各金融机构在业务运营的各阶段均开发出相应的信用评分工具，可用“四张卡”来表示：A卡、B卡、C卡和F卡。

贷前环节：A卡（申请评分卡，Application score card），主要应用于相关融资类业务中新用户的主体评级，通过对消费者个人的历史信用记录、资产经济状况等评估给出相应的信用评分；

F卡（反欺诈评分卡，Anti fraud score card）主要应用于相关融资类业务中新客户可能存在的欺诈行为的预测管理。

贷中环节：B卡（行为评分卡，Behavior score card）则是在贷中业务经营期间对存量客户的风控管理，预测未来客户可能出现的逾期违约现象，避免贷款延期或坏账产生。

贷后环节：C卡（催收评分卡，Collection score card）适用于贷后的催收管理，对已经逾期或违约的客户进行催收评分，涵盖还款率模型、账龄滚动模型和失联模型。

新的信用评分引入

一般来说将一个新的信用评分引入整个规则体系，主要希望能起到尽量提升用户通过率而降低逾期率；

1.降低存量规则授信人群的逾期率通过对存量规则授信且有还款表现的用户再次评分排序，将客户区分为不同组别，重新判定适合业务经营的最低风险等级组别，对达到合理规定风险等级的用户进行贷款业务和风险管理。同时注意误判率，避免将高风险等级用户错误归类为低风险等级组别。

2.在不提高逾期率的前提下，提高通过率伴随着授信人群通过率的提升，一般选择应对的举措便是放低贷款申请门槛，将较低于准入风险等级的用户纳进金融机构服务人群。然而新的信用评分模型，尤其是与原有模型构成维度差异较大的情况下，往往可以实现对用户人群更精准的信用评估和风险判别，帮助客户实现在不提高逾期率的基础上提升通过率。

在实际工作中，我们要解决的问题会比上述的两个场景更复杂。在具体的业务运营过程中，更经常的是依据实际场景需求择一用之，或是两个方法的综合使用，甚至是其他方法的引入。

如何建立适合业务的模型

1.要明确模型使用的场景在筛选建模数据时，充分考量模型使用的产品类型和人群特征。例如，在小额的发薪日场景，产品分期按天为周期，坏样本的定义以30+为标准等，甚至人群资质下沉较多时，采取14+等作为坏账定义。在大额（如车、房等）分期场景下，分期以月为单位，分期金额在十几万甚至百万以上，风险表现周期较长，一般选择90+或者180+作为坏账定义等。

2.要考虑入模数据的有效性、覆盖度和易采集性随着大数据风控的应用，我们可使用的数据维度不断丰富，在选择入模维度时，要依据业务场景进行具体化选择，例如：小额发薪日贷款，重点考核申请人的欺诈风险和还款意愿等，大额分期场景，重点考核申请人的还款能力和还款意愿以及抵押物的价值等。除了传统的人行征信等数据外，还可以从申请人的社交行为、设备行为和偏好类数据等角度去评估逾期风险，重点考核数据供应商的数据的覆盖度、数据质量的稳定性等。

除了考虑到模型的效果外，收集入模变量要考虑到业务可忍受的成本和用户体验，防止收集过程降低申请人的用户体验，造成业务申请量的下降和客户流失。

3.要定期迭代和优化模型模型是以历史用户为建模样本来预测未来用户的逾期表现，当模型上线后要建立模型线上运行的各项指标，例如新模型下的业务指标，模型入参维度的覆盖度和数据分布的比例，模型上线后风险指标等。如观察到用户群体特征发生变化，要及时根据业务需求调整模型和开发新的信贷类产品满足用户的需求等。 

信用评分的应用以及案例分析，详见（干货丨个人信用评估模型在风控流程中的应用）。

迎有兴趣的小伙伴通过官网咨询我司相关产品。