不容错过|额度管理与应用-银行信用卡行为评分篇(实操见)

在日常生活消费中，我们大多数童鞋可能会采用信用卡来进行支付，毕竟在很多时候显得非常方便，而且随着信用消费和按时还款的良好表现，我们的信用卡额度从最开始的几千逐渐会变成几万，这种变化自然是我们个人较好资质能力的体现，可以较大程度的满足平日信用消费的需求。当然，如果我们日常的消费频率一般，或者还款行为表现较差时，信用卡额度也会出现下调的情况。在信用卡额度可能会随时变化的过程中，我们并不知道银行在业务中实施的具体规则，只能依靠自己平时的信用表现来反映大体规律。对于信用卡额度的调整方式，或上调或下调或不变，从银行信用卡中心来讲，可能是风控体系中策略与模型综合应用的结果。

1、行为评分卡介绍
围绕以上关于银行信用卡调额的业务背景，本文给大家分享下贷中行为评分卡模型（B卡）在额度调整策略中的应用，而且这是银行信用卡中心在额度管理方面必然采用的模式之一。下面我们来了解下行为评分卡模型的相关重点内容，包括基本概念、样本提取、目标定义、特征维度、应用逻辑等。
（1）基本概念
行为评分卡模型（Behavior Scorecard Model），是我们经常提到的B卡，即根据贷款用户放款或发卡后的行为表现，来预测未来违约或逾期风险。在实际业务中，是应用在风控流程的贷中环节，也就是用户在授信放款与到期还款之内的时间窗口。
B卡适用的信贷场景较为广泛，例如循环授信类产品中的典型代表—信用卡、某些信用现金贷、贷款周期较长的车贷与房贷等。在这些信贷产品的贷中业务期间，B卡应用的价值非常大。当然，不仅仅局限于额度管理，而且还包括风险预警、流失预测、营销响应等多个方面，但原理逻辑都是统一的，就是通过B卡模型得到的预测概率进行策略制定及其应用。
（2）样本确定
B卡的建模样本数据是针对老客户，也就是从“客户层”角度来讲，在当前信贷产品业务中存在历史结清订单的数据，这样才能保证建模样本有贷中行为表现的信息。在样本时间周期上，需要考虑两个时间窗口，即观察期与表现期，这主要是为了模型目标定义而准备的。其中，观察期是用来提取建模特征变量的时间窗，而表现期是用来区分目标好坏属性的时间窗，如图1所示。
​
图1 建模样本时间窗

对于银行信用卡建模场景，由于客群较为稳定且信贷周期长，一般会通过滚动率分析（Roll Rate Analysis）和账龄分析（Vintage Analysis）来定义目标变量。其中，滚动率分析是为了定义客户的好坏程度，账龄分析是为了确定合适的表现期。这里需要注意的是，在确定客户好坏标签时，以及后续建模过程中，要按照“客户层”来进行分析，也就是需要综合考虑客户在某时间窗口内多笔订单的数据。
（3）特征维度
B卡建模选用的特征范围，一方面可以直接引入A卡（申请评分卡）建模的特征，例如基本信息、人行变量等，另一方面是客户行为表现信息的字段，包括账户交易、客户行为等数据，而且这些特征是B卡模型的主要变量。如果B卡最终入模的变量大多数是来自基本信息或人行信息，那么B卡就没有什么意义，其本质和A卡是一样的。因此，对于B卡模型，我们尽量选择客户行为表现的相关字段作为入模变量。
在特征变量的数据来源方面，除了信用卡业务自有的行为交易特征，例如授信额度、消费金额、取现金额、还款金额等，此外还可以从外部三方数据机构接入相关数据，例如多头借贷、电商消费、设备使用、航旅出行、银联交易等。当然，特征数据信息的维度越多，模型性能提升的选择更多，但是在实际建模场景中，任何一家机构不可能覆盖到所有方面的数据，毕竟从外部引入较多数据是需要较大资金成本的，具体都得结合实际情况而定。而且，对于银行信用卡机构，数据体系相对比较完善，建模数据除了人行变量信息外，大多数都依靠内部自有的数据，这些已经足够支撑模型的效果。
下面我们简要介绍下信用卡机构在建立B卡模型过程中，来源于内部数据账户交易行为的常见特征字段，举例如图2所示。
​
图2 信用卡账户基本特征

上图仅列出部分常用基本特征，针对消费金额/次数、取现金额/次数、还款金额/次数、授信/使用额度等字段，采用不同时间窗口（近1、3、6、12、24、历史等）将变量池进行扩展。但是，其中某些特征在反映客户行为属性方面，需要进一步从相对值角度去衡量。例如，近1个月使用额度为3000，难以说明客户信用卡的利用率较高，这还取决于授信额度的大小，假如授信额度分别为5000和20000，对应的额度使用率为60%和15%，明显前者更能体现客户对信用卡的需求度明显更高些。因此，构造具有相对含义的特征，在实际建模过程中会有更好的效果。一般情况下，通过求和、占比、差分、差比等方式，可以实现更有参考价值特征的衍生，具体样例图3所示。
​
图3 信用卡账户衍生特征

当构造好合适的特征变量池后，采用逻辑回归、随机森林、XGBoost、LightGBM等其中一种分类算法，来建立B卡模型。当然，在模型训练拟合之前，需要根据样本数据情况，进行数据清洗和特征工程的相关处理，包括缺失值处理、异常值处理、特征编码、特征相关性、特征共线性分析、特征筛选等。
对于模型输出结果，本质是预测好/坏的概率值，然后将其转为分数形式，便是我们常用的行为评分卡模型，样例如图4所示。根据评分区间的分布情况，可以看出随着模型分数score增加，坏账率badrate逐渐降低，呈现出比较好的单调性趋势，与实际业务解释是相符合的，如图5所示。
​
图4 模型评分分布

​
图5 模型评分趋势

2、额度管理应用
在银行信用卡中心机构，采用B卡模型来进行对客户额度管理是很常用的一种方式，接下来我们根据行为评分模型结果，简要描述下B卡在额度管理应用的实现方案与应用过程。
对于信用卡客户，银行在实施额度调整方面，具体可以分为临时调额与永久调额。其中，临时调额是指根据持卡人的消费习惯和信用记录，银行进行临时提高或降低其信用额度的，当过了临时额度一定期限后，将会调回信用卡原本的固定额度；而永久调额就是指永久性的提高持卡人的信用额度，以提高其消费额度。
在B卡模型应用额度调整的过程中，其依据便是将模型评分划分为不同区间等级，然后对应不同的调整额度。在实际应用的过程中，由于B卡模型包含了较多维度的变量信息，虽然可以直接体现出客户的资质能力与风险情况，但是评分难以较大程度反映客户对信用卡额度的使用情况。因此，银行在实际场景中往往会将B卡模型评分与某些额度使用情况的特征来综合应用。从额度调整的场景进行区分，对于临时调额情况，特征“平均额度使用率”较为合适；对于永久调额情况，特征“平均额度使用率”较为合适。其中，额度使用率=使用额度/授信额度，额度收益率=利润金额/授信额度。此外，特征的时间窗口也是一个重要因素，如果选用的时间窗口太长或太短，都难以体现客户当前真实的额度使用情况。一般情况下，最近3个月的时间窗口较为合适，这样与前边的所举特征对应起来，就是近3个月平均额度使用率、近3个月平均额度使用率。
根据以上介绍，现在我们采用“B卡模型评分”与“近3个月平均额度使用率”、“近3个月平均额度收益率”，分别从临时调额、永久调额两个额度调整场景，举例描述下信用卡额度调整策略的制定思路与应用逻辑。假设B卡模型评分、平均额度使用率、平均额度收益率根据具体取值分布，都划分为5个等级，分别为高、较高、中、较低、低。
（1）临时调额管理
根据行为评分、近3个月平均额度使用率，制定临时调额管理风险矩阵，具体如图6所示，其中二维交叉结果“极高、高、偏高、中、偏低、低、极低”代表客户的风险等级。
​
图6 临时调额管理风险矩阵

由上图可知，不同的行为评分与额度使用率情况，可以体现出不同的风险等级，这种二维决策矩阵结果也是符合客观规律的。根据客户风险等级的差异性，便可以制定相关调额策略，下面我们针对以上情况举例说明：
（1）极高风险：不调额
（2）高风险：不调额
（3）偏高风险：不调额
（4）中风险：不调额
（5）偏低风险：不调额
（6）低风险：升高50%额度
（7）极低风险：升高100%额度

（2）临时调额管理
根据行为评分、近3个月平均额度收益率，制定永久调额管理风险矩阵，具体如图7所示，结构与图6类似，二维交叉结果“极高、高、偏高、中、偏低、低、极低”代表客户的风险等级。
​
图7 永久调额管理风险矩阵

（1）极高风险：降低30%额度
（2）高风险：降低20%额度
（3）偏高风险：降低10%额度
（4）中风险：不调额
（5）偏低风险：升高10%额度
（6）低风险：升高20%额度
（7）极低风险：升高30%额度
综合以上内容，围绕银行信用卡贷中行为评分卡模型，我们介绍了B卡建模过程中需要关注的几个环节，包括样本提取、目标定义、特征维度等，最后根据模型评分结果，重点分析了B卡分别在临时调额与永久调额场景的应用逻辑，从而说明行为评分模型在信用卡实际调额场景中的价值。当然，本文主要说明B卡模型在额度调整方面的典型应用逻辑，各家银行信用卡中心内部都有具体的规则，以上关于额度调整策略的制定仅作为大家参考学习。
关于贷中的评分卡中，番茄风控还给大家提供了相关的实操的内容（数据集部分+代码），可以移步至知识星球平台参考详细内容，相关的代码答案完整详版内容也在星球中公布~
​

相关代码示例：
​

数据概况：
​

（这是一张12期产品还款计划表(vintage_data.csv)，包含订单id（order_id)，期数（period），放款时间(loan_date）,到期时间（due_date),还款时间（repay_date)，放款本金(loan_amount)。相关详情可以查看知识星球内容）

…

~原创文章