下列哪一项不是信用评价和店铺评分的区别,六大场景下，模型分数如何应用？

下列哪一项不是信用评价和店铺评分的区别,六大场景下，模型分数如何应用？

一、简介

信用评分的核心功能是按风险等级对客户群体进行排序，即按风险等级对客户群体进行“区分”。

评分模型从信用风险管理过程可分为应用评分模型、行为评分模型、收款评分模型和反欺诈评分模型；这里的反欺诈评分模型也是二分类评分模型，不同于检测、模糊匹配、关系网络等异常图论模型。

在应用功能上还可以分为信用评分、风险评分、响应评分、阶段转化率评分等，从而可以进行差异化的动作下列哪一项不是信用评价和店铺评分的区别，比如批准、拒绝、定价、配额、流程经验的简化或复杂性等，而这些动作是评分模型在风险策略中的具体应用。

我们有了客户分数后，需要为分数设置多个分界线，实现分数在策略中的具体应用。

分界线，又称得分分界点，主要包括“合格得分线”和“各判定区间线”的确定。

其中下列哪一项不是信用评价和店铺评分的区别，“合格评分线”是审批过程中的最低评分线，也是我们在客户评分申请中接受的底线。低于此分值的申请一般不会被接受。

“每条决策区间线”是指根据评分划定的不同评分段，代表不同的风险等级，单独使用或与其他风险规则结合使用时，其决策策略也不同。一样。

例如配置高细分申请的审批/拒绝策略时，一般设置为“自动审批”或“推荐审批”，推荐额度也更高；对于低细分应用，配置为“自动拒绝”或“推荐拒绝”，建议数量也较低。

评分模型的cut-off设置往往与实际业务相关，算法和KS指标的机械设置并不好用，得益于cut-off灵活的设计策略，还可以使判别度较低的模型在某些场景下获得在线应用的机会，模型效果还不错。

当然，作为最完整的总结，下面也会介绍这个指标类的评分策略的应用，作为参考。

二、六种场景的分数应用1.应用场景一：以KS和F-Score为代表的指数分数分割

KS是计算模型区分能力的指标，KS=max（累计不良客户率-累计好客户率）；找到 KS 最大值的地方进行截断。

F-Score 是模型精度和召回率的次要指标。 cut-off分割法也是求一刀切的最大值，如下：

2.应用场景二：业务需求，保持通过率一致

评分模型首次上线后，更谨慎的设置分界线的方法是保持与当前相同的通过率。

在保持当前通过率的同时，模型应用后实际坏账率和坏账数量会相应减少，因为新开发的记分卡比以前更能区分好坏客户。

在业务中首次使用评分模型时，一般建议按此原则设置分界线，因为通过率更容易确定，而坏账需要一段时间来验证。

3.应用场景3：业务需求，提高通过率，保持坏账率一致

这种设置截止分数的方法是在保持当前坏账率不变的情况下提高通过率。

这种方法是有风险的，因为它需要一段时间来确定参与评分的申请人的实际坏账率（由于拒绝推理的影响，实际坏账率往往高于从记分卡上估计的） 坏账率更高）。

4.应用场景四：业务需求，同时提高审批率，降低坏账率

这种同时提高批准率和降低坏账率的方法，需要在策略曲线上选择一个决策点；事实上下列哪一项不是信用评价和店铺评分的区别,六大场景下，模型分数如何应用？，临界点可以是策略曲线上的任何点下列哪一项不是信用评价和店铺评分的区别,六大场景下，模型分数如何应用？，但需要随着时间的推移监控批准分数选择的影响，以确定是否需要调整。

绘制策略曲线的方法是用散点图的形式表示不同评分区间内样本的实际合格率和坏账率。放大或缩小。

当前策略A点通过率为20%，坏账率为3%。利用策略曲线，可以在应用评分模型后确定风险控制策略。优化方向：

5. 应用场景五：风险损失收益率曲线

以上四种情景还是基于两个相对宏观的指标：合格率和坏账率。评分模型评分用于政策应用；虽然通过率和坏账率可以粗略地代表盈亏，但更准确的方法是根据损益曲线设置分数的截止值。

衡量风险损失的主要统计指标有：坏账损失和总成本。

计算收入的主要统计指标有：分数区间估算收入和估算收回收量。

最后可以生成风险-损失-收益曲线，如下：

理想的loss-return曲线应该是边U型的，其实在复杂的真实场景中，loss-reward曲线往往呈现不规则的U型。

在上图中，找到B点，亏损和收入的平衡点，C点，最大收入亏损点，以及净利润为正的D、E、F、G等点，然后调整当前策略根据实际业务需求。 A点进行评分截止策略应用。

6. 应用场景六：评分与规则交叉后的评分区间截断细化

这个场景是将更多和过期的强相关变量组合成评分和过期一个正则的二维交叉矩阵，用于部分检索原始评分拒绝区间，以最大化精细化的风险损失和回报。逻辑与场景5类似，不再赘述。

三、总结

以上六种情景模型分数应用于策略中的不同选择，比如风险损失收益曲线，仍然可以通过损失评估模型和定价模型来确定。做更多的量化分析，实现更精细的风险管理；每个人都根据自己的实际工作需要不断调整量化的深度。

值得提醒大家的是，虽然更复杂的量化方法和模型可以帮助我们更多地挖掘未来风险价值，但也存在不稳定和预测错误的风险；模型风险与价值的关系取舍应该是我们在实际场景中控制的方向。

本文由@FAL金科应用研究院原创发表于人人都是产品经理。未经允许禁止转载。

图片来自unsplash，基于CC0协议