评分卡实施与监控

前言

在完成评分卡建模，并且模型效果不错后，就要准备在风控策略上实施评分卡。为了顺利的实施评分卡，和保证评分卡的效果与预期的一致，就会牵扯到以下的一些问题。例如：评分卡的决策点的分值如何设定？是否加入人工干预？以及实施以后的监控问题。

决策点（cut-off）分值设定

一般来说评分卡的决策点就一下两个应用方式：

1. 案件自动拒绝\通过
   定义一个决策点，若案件评分低于决策点，则系统自动拒绝。
2. 案件人工审核
   定义两个决策点，若案件评分低于决策点，则系统自动拒绝，若高于决策点，则系统自动通过；若在两者之间，则转人工。
   不管是那种应用方式，选择一个好的分值都是很关键的事。
   决策点设定方式一般是依照目标以及评分卡分布表，对应预期目标与实际分布，来制定决策点：
3. 好坏比率(Odds)
   计算多少个好客户的利润能弥补一个坏客户的损失，这一个比值所对应的分数就是合适的临界值分数。但在实际中利润与损失很难确定，导致很难计算比值。
4. 通过率(approval rate)
   一般在实施的时候，决策点的分值对通过率不能有太大的影响。因此，决策点分值应该是通过率与之前一致。
5. 核准件的坏账率
   保证决策点以上的坏账率与之前一致。
6. 核准件中的坏客户数
   保证高于决策点分值的客户中坏客户数量与之前一致。

人工干预

人工干预是指信贷部门与评分卡模型建议相反。
一般分为两种：

1. High Side Override（HSO）：当客户在分数线（Cut-off）以上，按策略应核准其申请，若因其他评分以外的因素而被拒绝时，则成为HSO。
2. Low Side Override（LSO）：当客户在分数线（Cut-off）以下，按策略应拒绝其申请，若因其他评分以外的因素而被核准时，则成为LSO。
   PS：人工修正与人工审核不是一个意思。

信用评分模型监控

模型是基于过去的数据来预测未来，但随着外部环境变化，如市场波动；评分卡模型在开发上线之后，需要定期进行监控报告，当异常情况出现时要进行适当维护，确保评分卡能有效的识别客户信用风险。

前段监控报告

观察申请客户或近期客户与评分卡建模样本是否一致或呈现稳定形态。

1. 评分分布
   分析目的在于监控固定时期每一个分数段的核准率。
2. 稳定性分析
   分析目的：在于衡量两段时间（模型开发样本期间与目前）申请客户的客层变化，作为评分卡有效性的早期预警，并了解核准率及不良率的变动是否来自于客群的变动。
   判断标准：
   若PSI<0.1，表示客户群体从模型开发到实施的稳定性较高；
   若0.1<= PSI <=0.25，表示客户群体发生了一定的变化；
   若PSI >0.25, 表示客户群体发生较大变化。
3. 变量稳定度分析
   包括单变量分析和所有变量分析，了解客群稳定性偏移原因。
4. 人工干预评分分析
   了解改写的原因及审视改写的政策
5. 数据输入错误率分析

后端监控报告

观察模型对申请客户或近期客户的信用风险识别能力。

1. 评分卡区分度分析。
   监控当前评分卡是否仍然有良好的预测能力。

2. 逾期分析报表：
   逾期分析报表有几个不同类型:按评分分段；按账龄；按特征；

3. 按评分分段：监控申请分段的逾期情况

4. 按账龄：监控不同时间段进件的逾期情况

5. 按特征：监控变量是否有效，分析评分卡区分能力变化的原因。

早期预警

评分卡区分度在上线之初，由于表现期过短，无法显示出模型质量，需要加入早期预警指标来监控：一般模型的表现期为9-18个月，用来确定样本好坏，若表现期未满，坏客户数量不足，整体坏账率偏低，影响评分卡区分力评估。
早期预警评估指标：

• 坏账率是否按评分卡分段从高到低顺序排列。
• 变量分段分值是否按照好坏比（Odds）顺序排列。