信用评分卡的开发及应用探究
信用评分是指根据银行客户的各种历史信用资料，利用一定的信用评分模型，得到不同等级的信用分数，根据客户的信用分数，授信者可以通过分析客户按时还款的可能性，据此决定是否给予授信以及授信的额度和利率。虽然授信者通过人工分析客户的历史信用资料，同样可以得到这样的分析结果，但利用信用评分却更加快速、更加客观、更具有一致性。
信用评分最早始于1940年代末至1950年代初。当时，美国有些银行开始进行了一些有关信用评分方法的试验，目的是提供一种可以处理大量信贷申请的工具。1956年，工程师Bill Fair和数学家Earl Isaac共同发明了著名的FICO评分方法，并成立了Fair Isaac公司，成为世界上第一家提供信用评分数学模型的公司。1958年，Fair Isaac公司发布了第一套信用评分系统。
1960年代，相继出现了许多专门提供客户信用报告和信用分数的信用管理局，如美国著名的三大信用管理局（Experian, Equifax and TransUnion）。尤其在最近10年，全球信用评分市场领域得到更加蓬勃的发展，出现了许多信用评分公司和信用管理局，同时也极大地提高了银行对用户进行信用评估的准确性、有效性和一致性。
一、引进信用评分卡的目的及意义
1、以信用评分模型方式进行风险管理，这是国际上比较成功的实践经验。
由于信用卡业务具有笔数多、单笔金额小、数据丰富的特征，决定了需要对其进行智能化、概率化的管理模式。信用评分模型运用现代的数理统计模型技术，通过对消费者信用历史记录和业务活动记录的深度数据挖掘、分析和提炼，发现蕴藏在纷繁复杂数据中、反映消费者风险特征和预期信贷表现的知识和规律，并通过评分的方式总结出来，作为管理决策的科学依据。这种管理方法，已经成为国际上普遍运用的风险管理最佳操作典范。
在新巴塞尔资本协议中，对于零售信贷提出了“内部评级高级法”的要求，规定银行的监管资本金水平必须与其信贷资产的风险水平、特别是信用风险水平密切挂钩。而衡量信贷资产信用风险水平的根本依据是“内部评级”，比较典型的评级手段即是信用评分模型。
2、目前国内大多数银行信用卡部门采取人工审批作业形式，审批依据是审批政策、客户提供的资料及审批人员的个人经验进行审批判断，存在以下问题：
（1）信审人员对申请人所提交申请资料真实性的认定基本依赖于受理申请资料的基层网点员工或信用卡行销人员的职业操守和业务素质，审批人员对申请人资料的核实手段基本依赖于电核，对申请核准与否基本依赖于自己的信审业务经验，授信审查成本高、效率低而又面临很大的欺诈风险，这种状况很难应对大规模发卡的业务需要。
（2）审批决策容易受主观因素影响、审批结果不一致，审批政策调控能力相对薄弱。
（3）不利于量化风险级别，无法进行风险分级管理，影响风险控制的能力及灵活度，难以在风险与市场之间寻求合适的平衡点。
（4）审批效率还有较大提升空间。
3、信用评分卡具有客观性，它是根据从大量数据中提炼出来的预测信息和行为模式制定的，反映了客户信用表现的普遍性规律，在实施过程中不会因审批人员的主观感受、个人偏见、个人好恶和情绪等改变，减少了审批员过去单凭人工经验进行审批的随意性和不合理性。
4、信用评分卡具有一致性，在实施过程中前后一致，无论是哪个审批员，只要用同一个评分卡，其评估和决策的标准都是一样的。
5、信用评分卡具有准确性，它是依据大数原理、运用统计技术科学地发展出来的，预测了客户各方面表现的概率，使银行能比较准确地衡量风险、收益等各方面的交换关系，找出适合自己的风险和收益的最佳平衡点。
6、运用信用评分卡可以极大地提高审批效率。由于信用评分卡是在申请处理系统中自动实施，只要输入相关信息，就可以在几秒中内自动评估新客户的信用风险程度，给出推荐意见，帮助审批部门更好地管理申请表的批核工作，对于信用卡这种业务批量巨大、单笔业务金额较小的产品特别适合。
7、国内银行业已有初步成功的实践。由于信用卡行业属于批量化流水线作业，同业在发卡达到一定规模均会遇到相同问题，因此招商银行信用卡中心引入了Fair Isaac公司的信贷审批决策引擎系统，广发信用卡中心引入了SAS公司的风险审批评分系统等，这些风险管理工具的实施对他们的业务发展和风险管理工作起到了非常大的推动作用，因此通过借鉴同业先进经验，引进信用评分卡项目对其他银行信用卡部门来说就显得十分必要和紧迫。
二、信用评分模型的简介
信用评分模型是欧美银行和信用卡公司最重要的核心管理技术之一，它运用先进的数据挖掘技术和统计分析方法，对目标客户和现有客户的信用历史记录和行为特征进行系统的分析，以发掘符合自身市场目标的客户和预测其未来的信用表现。信用评分模型能给信用卡管理人员提供大量的具有高度预测力的信息，帮助管理人员制定符合银
经营宗旨的管理策略，以较高的精度有效地开拓市场、控制风险、挖掘收益，实现经营管理的高效益。
信用评分模型的类型较多，以下通过在信用卡产品的生命周期中各个阶段建立相应信用评分模型进行风险管理为例来说明：在客户获取期，建立信用局风险评分，预测客户带来违约风险的概率大小；在客户申请处理期，建立申请风险评分模型，预测客户开户后一定时期内违约拖欠的风险概率，有效排除了信用不良客户和非目标客户的申请；在帐户管理期，建立行为评分模型，通过对持卡人交易行为的监控，对其风险、收益、流失倾向作出预测，据此采取相应的风险控制策略；另外还可以通过建立交易欺诈预测模型，预测客户刷卡交易为欺诈行为的概率大小；建立催收评分模型，对逾期帐户预测催收策略反应的概率，从而采取相应的催收措施。以上是主要的信用评分模型，其它信用评分模型还有预测收益的收益评分模型，预测客户对营销策略反应概率的市场响应评分模型，预测客户流失概率的流失倾向评分模型，等等。
三、信用评分卡的开发
信用评分模型开发流程包括模型的设计与规划、样本的选择、预测变量的选择和确定、模型的制定、模型效果的评估和检验、模型的实施、模型表现的跟踪和监控等。
下面以建立申请评分卡项目为例来说明信用评分模型的开发过程。
（1）建立开发目标、方法及业务问题的定义
开发目标：1、确保决策的一致性，减少人工干预，提高信贷政策的执行力；2、准确反映并量化客户的风险级别，用科学的方法管理风险以控制和减少信贷损失；3、提高市场竞争能力，在控制可接受的风险水平的同时争取更多优质客户，有效地提高市场占有率；4、申请及客户质量的有效监控，反馈及预测卡中心经营信息；5、实现审批流程自动化，减少运营成本。
模型建立方法：建立模型可采用的方法很多，主要有线形回归、逻辑回归、神经网络、遗传算法、决策树等，本例采用业内通常使用的逻辑回归方法建立信用卡申请评分模型。
好、坏客户定义：好、坏客户的定义必须与银行总体政策、管理目标一致，综合考虑发卡目标、风控策略、催收策略、业务历史、样本数量的需要，如定义曾经有90天以上逾期不良记录的客户为坏客户；定义开户满12个月，曾经用卡且未出现90天以上逾期记录的客户为好客户。
（2）确定数据源，选取样本
数据来源：内部信用卡核心系统数据库和其它相关业务系统；
样本总数量：选取某地区从2004年1月开始2006年6月的所有申请人，总数120，000人（包括好、坏客户及拒绝的申请客户）；
样本空间：坏客户样本空间：2004年8月至2006年2月之间开户的客户；好客户样本空间：2004年6月至2005年5月之间开户的客户；被拒绝 客户样本空间：2005年7月至2006年6月之间申请被拒绝的客户。
（3）数据抽取、清理和整理，建立数据集
这一步是开发申请评分模型中最重要、最耗时的步骤之一。数据质量好坏是决定开发的模型成功的关键因素。在确定数据来源后，由于需要采集的数据资料来源不一，数据量大，抽取时耗时较多，就需要在原始数据的基础上，根据业务需求、数据性质、结构及内在逻辑，对数据进行归类、合并、分组，最终建立数据集（或数据仓库）。
（4）数据分析、变量选择及转换
数据经过整理后下一步进行数据资料的分析，找出其内在关联性，并经过对样本变量的分组、合并和转换，选择符合建模条件、具有较强预测能力的变量。
如果是连续变量，就是要寻找合适的切割点把变量分为几个区间段以使其具有最强的预测能力。例如客户年龄就是连续变量，在这一步就是要研究分成几组、每组切割点在哪里预测能力是最强的。这一步是评分模型非常重要也是最耗费时间的步骤。如果是离散变量，每个变量值都有一定的预测能力，但是考虑到可能几个变量值有相近的预测能力，因此分组就是不可避免而且十分必要的。
通过对变量的分割、分组和合并转换，最终剔除掉预测能力较弱的变量，筛选出符合信用卡实际业务需求、具有较强预测能力的变量，使建立的模型更加有效。
（5）创建评分模型
利用上面分组后形成的最新数据集进行逻辑回归运算得到初始回归模型。在回归模型的基础上，通过概率与分数之间的转换算法把概率转换成分数进而得到初始评分卡。下一步要将初始评分卡经过拒绝推论，所谓拒绝推论，即申请被拒绝的客户数据未纳入评分系统，导致样本选取的非随机性，整体信用情况因此被扭曲，信用评分模型的有效性降低。
因为申请风险评分模型是用来评估未来所有信用卡申请人的信用，其样本必须代表所有的信用卡申请群体，而不仅代表信用质量较好、被批准的那部分客户的信用状况，所以样本必须包括历史上申请被拒绝的申请人，否则，样本空间本身就会出现系统性偏差。因为样本排除了较高信用风险的申请人群体（即历史上申请被拒绝的客户）。如果仅仅依靠被批准申请人群体的样本开发评分模型，并将其运用到整个申请人群体中去，而被批准和被拒绝群体的行为特征和“坏”的比例往往大相径庭，那么这种以被批准群体代表被拒绝群体的做法将必然在很大程度上弱化模型的预测精度。
进行拒绝推论时，由于这部分被拒绝申请人的好坏表现是不可知的，必须以一定的统计手段来推测。推测的方法有很多，可以利用初始评分卡对这部分被拒绝客户进行评分，从而得出每个被拒绝客户如果被审批成为好客户的概率和坏客户的概率，再按其权重放入模型样本中，这样会尽量减少样本的偏差，同时兼顾拒绝样本的不确定性。我们利用拒绝推论后形成的样本（包括核准和拒绝的）重新对每个变量进行分组，其原理和方法与初始分组相同。然后对第二次分组形成的数据集建立逻辑回归模型。最后在第二次回归模型的基础上，通过概率与分数之间的转换算法把概率转换成分数，进而得到最终评分卡。
（6）模型检验
模型建立后，需要对模型的预测能力、稳定性进行检验后才能运用到实际业务中去。申请评分模型的检验方法和标准通常有：交换曲线、K-S指标、Gini数、AR值等。一般来说，如果模型的K-S值达到30%，则该模型是有效的，超过30%以上则模型区分度越高，本例中模型的K-S值达到40%以上，已经可以上线使用。
（7）建立MIS报表，模型的实施、监控及调整
模型实施后，要建立多种报表对模型的有效性、稳定性进行监测，如：稳定性监控报表，比较新申请客户与开发样本客户的分值分布，监控模型有效性；特征分析报表，比较当前和开发期间的每个记分卡特征的分布，监控模型有效性；不良贷款分析报表，评估不同分数段的不良贷款，并且与开发时的预测进行比较，监控客户信贷质量；最后分值分析报表，分析不同分数段的申请人、批准/拒绝以及分数调整的客户分布，监控政策执行情况等。
另外，随着时间的推移，申请评分卡的预测力会减弱，因为经济环境、市场状况和申请者、持卡者的构成在不断变化，同时，银行整体策略和信贷政策的变化也要求评分模型适时调整，所以，申请评分卡在建立后需要持续监控，在应用一段时间（一般2-3年）以后必须适当重新调整或重建。
四、运用信用评分卡需要注意的问题
1、开展信用卡业务的历史要长。
评分卡的发展必须以历史数据为依据，如果银行刚开始发行信用卡，还没有历史数据，或虽然已经发卡，但历史太短，数据不充分，则不具备开发评分卡的条件。
2、发展信用评分卡需要大量的数据，而且数据的质量要好。
如果数据很少，不具有代表性或数据质量很差，有很多错误，那么基于该数据的评分卡就不会准确，那么申请评分卡的发展就会受到制约。
3、数据的保存要完整
银行必须把历史上各个时期申请该信用卡的客户申请表信息、当时的信用报告记录、开户的信用卡账户表现好坏等数据保存起来，不仅所有被批准的客户的数据要保存，被拒绝的申请者数据也应该保存，以进行模型的表现推测。而且，保存的数据不仅要足以提炼出各种预测变量，还要能够辨别其表现（好、坏等）。
4、申信用评分卡只是提供了决策依据，不是决策本身。
信用评分卡并不能告诉审批人员某个客户一定是好的或坏的，它只是告诉我们一定的概率，因此，对于有些客户的申请审批决定就必须综合信用报告等其它信息作出判断。
5、一张申请评分卡很难满足整个人群，需要针对不同人群建立单独的评分卡。
由于我行客户分布在全国各地，存在着较大的地域差别，各地区经济发展也存在着较大差别，客户消费习惯有较大差异，如果使用一张申请评分卡就会造成信用评分的不真实。
6、时间越久，信用评分卡的有效性会降低，因为经济环境、市场状况和申请者、持卡者的构成在不断变化，使得样本人群的特质和属性发生改变，特别是在经济高速发展的阶段，人群的生活方式、消费习惯、经济状况等变化很快，申请评分模型在应用一段时间后通常会与初期模型产生偏移，所以需要适当重新调整，必要时还要重新开发，以保证信用评分卡的有效性。
