信用評分分析是不同公司評估個人或公司信用評分以幫助確定實體的信譽(yù)度的過程。信用評分很重要，因為它考慮了信用的使用次數(shù)以及償還的效率。

概括

信用評分分析是指審查個人（或公司）借貸歷史以及他們償還資金的效率的過程。

信用評分對貸方很重要，因為它們揭示了申請人承擔(dān)債務(wù)并以有效和及時的方式償還債務(wù)的能力；這反過來又揭示了貸款人向申請人提供貸款或信用額度的風(fēng)險有多大。

FICO 信用評分范圍從 300 到 850；信用評分越低，申請人借貸和償還債務(wù)的能力就越差。相反，信用評分越高，個人借貸和償還債務(wù)的能力就越好。

如何使用信用評分

貸款機(jī)構(gòu)（銀行、抵押貸款經(jīng)紀(jì)人、大型貸方）甚至汽車經(jīng)銷商等地方都使用信用評分來更好地了解申請人是否值得獲得新的信用額度（或貸款）。這些機(jī)構(gòu)還使用信用評分來幫助確定信用額度的確切性質(zhì)。

信用評分越高，申請人希望獲得的信用額度（或貸款）越多，條款也越好（包括需要償還的利率、規(guī)模和頻率等內(nèi)容）以及可用于還款的總時間）。

FICO分?jǐn)?shù)

收集和發(fā)布信用報告的公司使用不同類型的信用評分。最常見的是FICO 分?jǐn)?shù)，之所以如此命名是因為該概念最初是由Fair Isaac Corporation 發(fā)起的。幾乎所有貸款機(jī)構(gòu)都使用 FICO 分?jǐn)?shù)來幫助確定申請人的信譽(yù)。

然而，近年來，F(xiàn)ICO 信用評分的替代方案在貸方中越來越受歡迎。大多數(shù)替代信用評分方法更強(qiáng)調(diào)申請人如何設(shè)法支付他們的標(biāo)準(zhǔn)每月費(fèi)用，例如租金/抵押貸款和電費(fèi)，而不是僅僅查看他們的信用或貸款歷史。

FICO 分?jǐn)?shù)范圍從 300 到 850。讓我們分解一下范圍是什么以及分?jǐn)?shù)對貸方的意義：

300-579（差） ——截至 2018 年，大約 16% 的美國人口屬于這一類；這意味著申請人有大量未償債務(wù)。

580–669（公平） ——大約 17% 的人口屬于這一類；此類別的申請人有相當(dāng)數(shù)量的債務(wù)，但正在努力償還。

670-739（好） ——大約 21% 的人口屬于這個范圍；該群體中的個人已獲得信貸額度，并積極努力及時償還。

740-799（非常好） ——25% 的人口比例最高；此類別中的個人獲得信貸額度并及時有效地償還債務(wù)。

800-850（優(yōu)秀） ——估計有 21% 的人口屬于這一等級；這個群體的申請人善于借錢并迅速還款，不會積累過多的債務(wù)。

中國央行征信VS美國FICO分

但在中國，國情不同，我國機(jī)構(gòu)不能盲目使用FICO分?jǐn)?shù)。美國數(shù)據(jù)整合程度比較好，我國數(shù)據(jù)整合程度還有很大進(jìn)步空間，甚至權(quán)威的央行征信里，諸多變量缺失率可高于90%。

我國的央行征信或芝麻信用分?jǐn)?shù)類似美國FICO分?jǐn)?shù)。

影響 FICO 分?jǐn)?shù)的因素

查看 FICO 分?jǐn)?shù)時需要考慮一些事項。了解影響信用評分的因素可以幫助個人更明智地借貸、消費(fèi)和償還債務(wù)。FICO 的具體計算方法極其復(fù)雜而且保密，但是大體上 FICO 是由以下幾部分組成的：

1. 付款歷史

您的信用記錄以及您還清貸款的速度約占 FICO 分?jǐn)?shù)的 35%。延遲付款總是會導(dǎo)致 FICO 分?jǐn)?shù)下降。付款所需的時間越長，對分?jǐn)?shù)的影響就越大。發(fā)送給收款機(jī)構(gòu)的帳戶或申請破產(chǎn)也會顯著影響您的分?jǐn)?shù)。

2. 信用年齡

一個人擁有信用的時間長度和每次信用發(fā)行的一般年齡約占 FICO 分?jǐn)?shù)的 15%。

3. 相對于可用信貸的債務(wù)

一個人使用的可用信用量約占 FICO 分?jǐn)?shù)的 30%。經(jīng)驗法則是使用不超過可用信用的 30%。更頻繁地使用更少的信用并快速償還它是提高您的 FICO 分?jǐn)?shù)的好方法。

4. 擁有多條信用額度

擁有不止一個持續(xù)還清的信用額度是好的。擁有不同類型的信用——循環(huán)信用（如信用卡）和分期貸款（如抵押貸款或汽車貸款）——有助于提高您的信用評分。

信用評分模型

在信用評分的過程中，最關(guān)鍵的就是信用評分模型的構(gòu)建。用來產(chǎn)生信用評分的模型不勝枚舉，每一種模型均有其獨(dú)特的規(guī)則。在此，我們主要介紹信用評分模型的構(gòu)建方法。

基本原理

信用評分模型的基本原理是確定影響違約概率的因素，然后給予權(quán)重，計算其信用分?jǐn)?shù)。信用評分模型的構(gòu)建，目前最為有效的手段是數(shù)據(jù)挖掘。下面對數(shù)據(jù)挖掘的定義進(jìn)行簡單介紹，并重點描述利用數(shù)據(jù)挖掘技術(shù)構(gòu)建信用評分模型的步驟和方法。

數(shù)據(jù)挖掘

數(shù)據(jù)挖掘定義眾說不一，數(shù)據(jù)挖掘的關(guān)鍵可以被分成三個部分：數(shù)據(jù)、信息和商業(yè)決策，即數(shù)據(jù)挖掘就是一個從數(shù)據(jù)中汲取信息，并使用這些信息制訂更好的商業(yè)決策的過程。

信用評分模型構(gòu)建步驟

利用數(shù)據(jù)挖掘技術(shù)構(gòu)建信用評分模型一般需要多個步驟，它們分別是：業(yè)務(wù)目的確定、數(shù)據(jù)源識別、數(shù)據(jù)收集、數(shù)據(jù)選擇、數(shù)據(jù)質(zhì)量審核、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)挖掘、結(jié)果解釋、應(yīng)用建議，結(jié)果應(yīng)用，模型監(jiān)控，模型驗證，模型迭代。

1) 商業(yè)目標(biāo)確定: 明確數(shù)據(jù)挖掘的目的或目標(biāo)是成功完成任何數(shù)據(jù)挖掘項目的關(guān)鍵。例如，確定項目的目的是構(gòu)建個人住房貸款的信用評分模型。

2) 確認(rèn)數(shù)據(jù)源識別: 在給定數(shù)據(jù)挖掘商業(yè)目標(biāo)的情況下，下一個步驟是尋找可以解決和回答商業(yè)問題的數(shù)據(jù)。構(gòu)建信用評分模型所需要的是關(guān)于客戶的大量信息，應(yīng)該盡量收集全面的信 息。所需要的數(shù)據(jù)可能是業(yè)務(wù)數(shù)據(jù)，可能是數(shù)據(jù)庫/數(shù)據(jù)倉庫中存儲的數(shù)據(jù)，也可能是外部數(shù)據(jù)。如果沒有所需的數(shù)據(jù)，那么數(shù)據(jù)收集就是下一個必需的步驟。

3) 數(shù)據(jù)收集: 如果銀行內(nèi)部不能滿足構(gòu)建模型所需的數(shù)據(jù)，就需要從外部收集，主要是從專門收集人口統(tǒng)計數(shù)據(jù)、消費(fèi)者信用歷史數(shù)據(jù)、地理變量、商業(yè)特征和人口普查數(shù)據(jù)的企業(yè)購買得到。

4) 數(shù)據(jù)篩選: 對收集的數(shù)據(jù)進(jìn)行篩選，為挖掘準(zhǔn)備數(shù)據(jù)。在實際項目中，由于受到計算處理能力和項目期限的限制，在挖掘項目中想用到所有數(shù)據(jù)是不可能實現(xiàn)的。因此數(shù)據(jù)篩選是必不可少的。數(shù)據(jù)篩選考慮的因素包括數(shù)據(jù)樣本的大小和質(zhì)量。

5) 數(shù)據(jù)質(zhì)量檢測: 一旦數(shù)據(jù)被篩選出來，成功的數(shù)據(jù)挖掘的下一步是數(shù)據(jù)質(zhì)量檢測和數(shù)據(jù)整合。目的就是提高篩選出來數(shù)據(jù)的質(zhì)量。如果質(zhì)量太低，就需要重新進(jìn)行數(shù)據(jù)篩選。

6) 數(shù)據(jù)轉(zhuǎn)換: 在選擇并檢測了挖掘需要的數(shù)據(jù)、格式或變量后，在許多情況下數(shù)據(jù)轉(zhuǎn)換非常必要。數(shù)據(jù)挖掘項目中的特殊轉(zhuǎn)換方法取決于數(shù)據(jù)挖掘類型和數(shù)據(jù)挖掘工具。一旦數(shù)據(jù)轉(zhuǎn)換完成，即可開始挖掘工作。

7) 數(shù)據(jù)挖掘: 挖掘數(shù)據(jù)是所有數(shù)據(jù)挖掘項目中最核心的部分。在時間或其它相關(guān)條件（諸如軟件等）允許的情況下，最好能夠嘗試多種不同的挖掘技巧。因為使用越多的數(shù)據(jù)挖掘 技巧，可能就會解決越多的商業(yè)問題。而且使用多種不同的挖掘技巧可以對挖掘結(jié)果的質(zhì)量進(jìn)行檢測。例如：在構(gòu)建信用評分模型時，分類可以通過三種方法來實 現(xiàn)：決策樹，神經(jīng)分類和邏輯回歸，每一種方法都可能產(chǎn)生出不同的結(jié)果。如果多個不同方法生成的結(jié)果都相近或相同，那么挖掘結(jié)果是很穩(wěn)定、可用度非常高的。如果得到的結(jié)果不同，在使用結(jié)果制定決策前必須查證問題所在。

8) 結(jié)果解釋: 數(shù)據(jù)挖掘之后，應(yīng)該根據(jù)零售貸款業(yè)務(wù)情況、數(shù)據(jù)挖掘目標(biāo)和商業(yè)目的來評估和解釋挖掘的結(jié)果。

9) 應(yīng)用建議：數(shù)據(jù)挖掘關(guān)鍵問題，是如何把分析結(jié)果即信用評分模型轉(zhuǎn)化為商業(yè)利潤。

10) 結(jié)果應(yīng)用：通過數(shù)據(jù)挖掘技術(shù)構(gòu)建的信用評分模型，有助于銀行決策層了解整體風(fēng)險分布情況，為風(fēng)險管理提供基礎(chǔ)。當(dāng)然，其最直接的應(yīng)用就是將信用評分模型反饋到銀行的業(yè)務(wù)操作系統(tǒng)，指導(dǎo)零售信貸業(yè)務(wù)操作。

11）模型監(jiān)控：商業(yè)公司應(yīng)定期（日/周/月/年）監(jiān)控模型的各項指標(biāo)，主要指標(biāo)有模型區(qū)分能力，模型穩(wěn)定性，模型排序能力，變量缺失率，異常值等等。

12）模型驗證：隨著時間推移，模型區(qū)分能力，例如ks,auc會逐步下降，模型穩(wěn)定性也會發(fā)生偏移。當(dāng)模型區(qū)分能力下降顯著或模型穩(wěn)定性發(fā)生較大偏移時，我們需要重新開發(fā)模型，迭代模型。

13）模型迭代：當(dāng)模型區(qū)分能力下降顯著或模型穩(wěn)定性發(fā)生較大偏移時，我們需要重新開發(fā)模型，迭代模型。因此模型是重復(fù)循環(huán)周期，而不是建好后就放任不管。

信用風(fēng)險評分模型構(gòu)建方法

數(shù)據(jù)挖掘方法可以依據(jù)其功能被分成4組：預(yù)估模型、分類、鏈接分析和時間序列預(yù)測。每一項功能都可以被開發(fā)和修改成為適應(yīng)不同業(yè)務(wù)的應(yīng)用。比如: 分類模型可以被運(yùn)用到建立信用風(fēng)險評分模型、信用風(fēng)險評級模型、流失模型、欺詐預(yù)測模型和破產(chǎn)模型等。為實現(xiàn)數(shù)據(jù)挖掘的每一項功能，有許多不同的方法或算法可以使用。這里討論的信用風(fēng)險評分模型主要是屬于分類器模型，所以用到的方法主要有分類分析。分類分析主要方法包括：決策樹、神經(jīng)網(wǎng)絡(luò)、邏輯回歸。

信用評分分析就為大家介紹到這里了，歡迎各位同學(xué)報名<python金融風(fēng)控評分卡模型和數(shù)據(jù)分析微專業(yè)課>,學(xué)習(xí)更多相關(guān)知識

版權(quán)聲明：文章來自公眾號(python風(fēng)控模型),未經(jīng)許可，不得抄襲。遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請附上原文出處鏈接及本聲明。