【数据智能】使用信用记分卡降低金融机构风险，并增加营收机会
【数据智能】使用信用记分卡降低金融机构风险，并增加营收机会
信用卡，车贷，房贷，当代人总会至少办理过一次。不同人申请到的信用卡额度、贷款额度为什么不一样？只是因为收入不同？银行等贷款方是如何判断并分配不同用户的额度的？贷款方又是如何避免风险的？
今天将为大家讲解金融机构如何使用数据挖掘和预测建模来创建预测贷款违约概率的模型，从而避免给可能无法偿还贷款的人放贷来降低风险，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。
什么是信用记分卡？
信用记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。贷款人通过使用信用记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。信用记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。
信用记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。监管机构接受信用记分卡作为提出信用风险的标准方法。
生成消费者信用记分卡的过程包括以下两个高级步骤：
-
建立统计模型
-
应用这个统计模型对个人的信用申请或者现有账户进行记分
应用积分卡被用于：
✅ 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记分卡。
通过原始数据源的创建和操作来过滤掉不需要的数据。信用记分卡将点分配给模型中要使用的变量的一系列值，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记分卡力量的影响。
信用申请人或现有客户的个人资料可以根据计分卡申请。记分卡的最终金额用于确定信用付款的可能性。
贷款方使用信用记分卡的好处
确定向营销活动的哪一部分提供信贷或向谁提供信贷，以减小风险。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。
自动信用记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，减少了应用审核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。
记分卡种类
记分卡通常有两种形式：应用类和行为类。应用类记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）。行为类记分卡是账户管理和收集中的有用预测模型，其中记分卡可以与基于概率的模型组合。
记分卡应用场景 :
使用Altair Knowledge Studio记分卡的优点
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，优选统计算法和个人偏好的编程语言，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底发现数据的洞察力。
Knowledge Studio中的记分卡差异性
通过易用的工作流程更有效地开发记分卡
Knowledge Studio利用直观和交互式的工作流程来构建和展示记分卡，可以在几分钟内刷新和重用记分卡工作流，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记分卡开发过程中所需的即时可视化文档。
选择最具预测性的变量以获得最佳记分卡表现
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，从而加速提供准确的评估以支持变量缩减。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记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，从而大大减少记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，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）。从而用户可以更好地可视化和更好地了解细分市场（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进行细分市场。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追加销售/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档案细分。
• 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授权配置文件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全权优化程序（WOE），这个分级过程可以变成全自动的，并且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库，这对于确保单调趋势，无空值和大小相等的库范围所必须得，从而提高了记分卡稳定性和准确性。
偏差最小化
传统的应用记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，但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应用记分卡的质量。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人口行为的记分卡。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。
拒绝推断方法的说明
比例分配:
假设账户已被使用随机过程拒绝，比例分配将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。使用在接受数据集开发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记分卡模型评分，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。
使用记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记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。由记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记分卡。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，进行分析和细分市场分析，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、重用记分卡开发工作流程。
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全权优化程序（WOE），可以减少时间50%。
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应用记分卡的质量
⑤ 制定战略:
使用 Knowledge Studio的策略树和其他预测模型开发，验证，部署和监控客户策略。
关于 Altair Knowledge Works™
Altair Knowledge Works前身为Datawatch。Altair于2018年11月对Datawatch Corporation进行了全资收购， 并对其产品线重新整合，形成了新的数据智能平台Knowledge Works。
Datawatch Corporation（纳斯达克股票代码：DWCH）是一家数据智能解决方案提供商，公司创立于1985年， 2013年收购可视化产品提供商Panopticon公司，2018年初收购专业的预测分析和数据科学提供商Angoss公司， 并整合原有的产品，形成了一个完整的数据智能平台，涵盖数据准备、数据分析与预测及数据可视化。
遍布全球100多个国家的上万家不同规模的单位或企业都使用Datawatch产品，其中包括《财富》100强中的93家。