什么是評(píng)分卡模型

評(píng)分卡模型又叫做信用評(píng)分卡模型，最早由美國信用評(píng)分巨頭FICO公司于20世紀(jì)60年代推出，在信用風(fēng)險(xiǎn)評(píng)估以及金融風(fēng)險(xiǎn)控制領(lǐng)域中廣泛使用。銀行利用評(píng)分卡模型對(duì)客戶的信用歷史數(shù)據(jù)的多個(gè)特征進(jìn)行打分，得到不同等級(jí)的信用評(píng)分，從而判斷客戶的優(yōu)質(zhì)程度，據(jù)此決定是否準(zhǔn)予授信以及授信的額度和利率。

傳統(tǒng)的信貸風(fēng)控主要靠資深從業(yè)人員依靠自身的經(jīng)驗(yàn)設(shè)置的專家規(guī)則，相較而言，評(píng)分卡模型的使用具有很明顯的優(yōu)點(diǎn)。

首先，判斷快速。系統(tǒng)只需要按照評(píng)分卡逐項(xiàng)打分，最后通過相應(yīng)的公式計(jì)算出總分，即可準(zhǔn)確判斷出是否為客戶授信以及額度和利率;其次，客觀透明。評(píng)分卡模型的標(biāo)準(zhǔn)是統(tǒng)一的，無論是客戶還是風(fēng)險(xiǎn)審核人員，都可以通過評(píng)分卡一眼看出評(píng)分結(jié)果和評(píng)判依據(jù);最后，應(yīng)用范圍廣。由于評(píng)分卡的評(píng)分項(xiàng)是客觀計(jì)算，其得出的分?jǐn)?shù)具有廣泛的參考性和適用性。例如，生活中常見的支付寶芝麻信用分，就是依據(jù)評(píng)分卡模型計(jì)算得出。

傳統(tǒng)評(píng)分卡模型建模方式弊端已現(xiàn)

當(dāng)下，國內(nèi)大部分金融機(jī)構(gòu)采用的還是傳統(tǒng)的評(píng)分卡模型建模方式，由于該方式建模過程周期過長，多家金融機(jī)構(gòu)均曾表示，“傳統(tǒng)的評(píng)分卡建模方式已經(jīng)逐漸無法滿足業(yè)務(wù)發(fā)展需求”。以國內(nèi)某銀行的信貸部門的建模為例，建模前期IT算法人員需要與業(yè)務(wù)人員進(jìn)行溝通，待其了解業(yè)務(wù)之后，再通過編寫代碼來實(shí)現(xiàn)數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、變量篩選、算法實(shí)現(xiàn)、模型開發(fā)評(píng)估、評(píng)分轉(zhuǎn)換等一系列流程，且需后期不斷驗(yàn)證準(zhǔn)確度，優(yōu)化參數(shù)，最終生成評(píng)分卡模型。往往上線一個(gè)模型需要數(shù)月時(shí)間，如期間用戶行為等數(shù)據(jù)變化，模型又需要重新迭代，模型更新速度難以跟上業(yè)務(wù)發(fā)展的速度。

然而隨著社會(huì)的發(fā)展，信貸業(yè)務(wù)規(guī)模不斷擴(kuò)大，客戶行為的數(shù)據(jù)呈現(xiàn)出爆炸式的增長，金融機(jī)構(gòu)對(duì)風(fēng)控工作的要求也逐漸提升，評(píng)分卡模型也變得越來越復(fù)雜。金融機(jī)構(gòu)需要耗費(fèi)更多的精力與時(shí)間去升級(jí)和維護(hù)評(píng)分卡模型以滿足風(fēng)險(xiǎn)控制的需求。傳統(tǒng)專家建模方式存在的建模周期長、多模型管理難等問題弊端逐步顯露。

飛算AI. Modeler Pro全新上線 三十分鐘實(shí)現(xiàn)評(píng)分卡模型建模

評(píng)分卡模型的算法原理雖然不是特別復(fù)雜，但在風(fēng)控領(lǐng)域中有著不可替代的地位。隨著消費(fèi)金融領(lǐng)域的不斷擴(kuò)展，不僅銀行，越來越多的金融機(jī)構(gòu)，尤其是小額信貸企業(yè)也開始利用評(píng)分卡模型完善風(fēng)控制度。

種種建模痛點(diǎn)之下，飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)AI. Modeler Pro應(yīng)運(yùn)而生。飛算AutoML技術(shù)凝聚了許多營銷、風(fēng)控專家的建模經(jīng)驗(yàn)，沉淀了在實(shí)際業(yè)務(wù)中驗(yàn)證下來較優(yōu)的建模流程和方法論。例如變量編碼、最優(yōu)分箱,、可視化調(diào)整、逐步回歸等。將評(píng)分卡模型建模時(shí)間從1-2個(gè)月縮短到了數(shù)小時(shí)，大幅提升了建模工作效率。

通過飛算AI. Modeler Pro風(fēng)控評(píng)分卡模組，可以對(duì)客戶的申請(qǐng)信息、合同信息、人行征信、身份、學(xué)歷認(rèn)證、消費(fèi)、電信、航旅、公安司法、三方黑灰名單等數(shù)據(jù)進(jìn)行充分挖掘，流程化快速建立風(fēng)控評(píng)分卡模型，為申請(qǐng)貸款用戶分級(jí)打分，評(píng)估用戶的風(fēng)險(xiǎn)高低;發(fā)力信貸智能化風(fēng)控體系建設(shè)，幫助風(fēng)控人員提升風(fēng)控模型開發(fā)效率80%，應(yīng)對(duì)日益增長的業(yè)務(wù)需求。

在銀行風(fēng)控領(lǐng)域，模型可解釋性的要求非常高，特征的衍生來源，模型生成過程等都必須非常清晰，模型才有可能會(huì)被采納上線。飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)AI. Modeler Pro模型訓(xùn)練后自動(dòng)生成可解釋性報(bào)告，同時(shí)模型從配置、訓(xùn)練、迭代到生成的每一步，自動(dòng)記錄詳情，最終形成詳細(xì)的建模日志，數(shù)據(jù)科學(xué)家從建模日志可了解模型生成的全部過程，模型可解釋性強(qiáng)。

香港城市大學(xué)數(shù)據(jù)科學(xué)學(xué)院及數(shù)學(xué)系王軍輝教授全程參加了產(chǎn)品研發(fā),并評(píng)價(jià)，“飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)為人工智能應(yīng)用落地按下加速鍵:沒有AI開發(fā)經(jīng)驗(yàn)的業(yè)務(wù)專家可以無門檻開發(fā)智能應(yīng)用;專業(yè)AI開發(fā)者可以從繁瑣的數(shù)據(jù)處理及特征工程等工作中‘解放’出來。”