评分卡是我们在风控模型建设中经常采用的一种方式，最为熟悉的A卡（申请评分卡）、B卡（行为评分卡）、C卡（催收评分卡）便是非常典型的模型代表。一般情况下，评分赋予的意义是某用户的结果分数越高，则相应的综合资质表现越好。因此，评分卡不仅便于对模型响应数据的量化分析，而且在实际场景中具有很好的业务解释性，这样使评分卡在风控模型实践中具有非常重要的应用价值。
评分卡最终的业务效果是以分数区间形式进行呈现的，并且在各个连续区间附带相关的业务指标，例如数量、占比、响应率等，具体分布样例如图1所示。其中，good_cnt、bad_cnt、total_cnt分别代表评分区间（score_bin）的好样本数、坏样本数、总样本数；percent为区间样本占比（total_cnt/sum(total_cnt)），此指标可直接作为通过率的理解；badrate为样本的坏账率（bad_cnt/total_cnt），也是业务分析非常关心的违约率。
上图是我们在建立贷前风控模型后经常输出的结果，从图中展示的分布信息可知，随着分数score的逐渐增加，坏账率badrate呈现下降的趋势，这也符合实际场景对评分模型分布的理解。在贷前授信环节的风控应用中，我们假定以分数400作为决策阈值，高于400分以上的用户予以通过，低于或等于400分的用户则拒绝，这样便实现了评分卡模型精准化风控审批的效果。当然，这只是评分卡的主要应用方向之一，还可以用于客户分层、策略组合、模型训练等。
通过评分区间来差异化体现不同人群的好坏程度无可厚非，但一份评分结果数据的分布展现形式并不是固定的，例如分数区间的数量、区间样本的限定等。若我们采用不同方法来呈现某批样本的评分数据，最终在量化风险差异或寻找更合适决策点上，总会得到相对更优的分析结果。因此，围绕这种客观的实际分析场景，本文首先采用等距、等频这两种常用的无监督分箱思想，来介绍下评分在不同划分区间方式下的表现差异，并得到相对较优的评分数据分布。
在对模型评分的划分实践中，我们结合具体实例数据来展开分析，样本包含5676条样本与3个字段，分别为样本主键id、模型评分score、贷后标签label，其中score为评分分析对象，label用于分析分数区间的对应坏账率，相关样本数据与分析代码详见本文附带材料。
1、等距划分评分
等距划分是我们针对评分卡分布区间展示的最常使用方式，相比等频划分的最大好处在于每个区间量化刻度保持统一（各区间分数间隔长度相等），可以直观了解到整体的区间样本分布是否符合正态形式。一般情况下，一个评分卡模型的样本群体分布，往往是两端边界的占比较少，而中部区间的占比最多，从边界向中间靠近的分布趋势，占比逐渐增加且变化较为平滑，因此等距划分方式可以较好的呈现出这个趋势。
分箱数量的多少也会直接影响评分的展示效果，通常情况下，评分区间数量最好设置在20~30，分箱数量太少分布较为简单，不便于精细化管理与分析；分箱数量太多分布较为复杂，不利于响应趋势的规律展现。下面我们以分箱数量20为例，来对本文样本数据的评分score进行等距划分，具体结果如图2所示。
图2 等距划分评分
从以上样例结果可以看出，此评分模型的区分度效果是比较好的，对坏样本用户的识别能力，以及分数从低到高的坏账变化趋势都是较为明显的。虽然在最后一个分数区间(681,688]的样本坏账率badrate明显偏高（25.0%），但由于此区间的样本数太少（4）欠缺代表性，可以将其与临近区间微调合并，即将最后3个分数区间的样本汇总统计，这样便于直观分析。同理，可以将前3个分数区间的样本按照同样逻辑优化处理，相应调整的分布结果如图3所示。
图3 等距分布微调
上图等距分布结果对应转换成相关可视化图显得更为形象直观，其中图4为坏账率变化曲线，坏账率badrate随分数score变化呈现出合理的单调性趋势；图5为区间群体占比分布结果，反映出样本群体占比percent在连续分数区间score_bin的正态分布形态，这在一定程度上均体现了此评分模型的优异效果。
图4 坏账率变化趋势（等距）
图5 区间占比分布（等距）
2、等频划分评分
虽然等距方式直观体现了模型评分的区综合性能，但同样作为无监督分箱的等频划分方式，并非无施展应用之处，当等距划分方式效果不佳时，例如针对中部少量区间的样本数量没有或很少的情况，等频划分方式反而体现了其原理思想的优势，可以保证所分区间的样本有一定数量且分布较为均衡。因此，在实际场景中，当我们在采用等距方式划分评分后感觉效果一般或较差时，不妨尝试下等频划分方式。从数据分析角度来说，我们可以先后采用两种方式来展示评分区间数据，这样可以兼顾二者的优点，从结果数据中能够获取更多的信息。接下来我们采用等频分箱方式来对评分数据进行划分，分箱数量同样设置为20，最终分布结果如图6所示，相应的坏账率趋势、样本占比分布依次如图7、图8所示。
图6 等频划分评分
图7 坏账率变化趋势（等频）
图8 区间占比分布（等频）
通过以上结果可以看出，在各分数区间score样本占比percent较为均衡的情况下，坏账响应率badrate仍然可以保持较好的单调性趋势，再次说明此评分卡模型表现出较好的区分性能。相对来讲，等频方式的分布不利于直观了解各分数区间的间隔长度，但可以较好的体现均衡人群的响应效果，可以有效避免等距方式因个别区间样本太少导致的分布微调（从图2到图3过程），因此在日常观察评分分布的实践中，可以将等频方式与等距方式结合使用。
3、决策点分析
通过以上内容介绍，我们熟悉了在等距、等频两种方式下评分卡的分布形态，但围绕实际业务中评分卡模型的应用需求，了解评分区间的数量、占比、响应率等信息还是不够的，我们需要结合业务来进一步分析评分数据带来的决策效应。简单来说，就是通过评分分布来研究通过率与坏账率的权衡，寻找业务可接受的cutoff决策点。
在信贷业务的实际场景中，通过率与坏账率是一对相互抵触的指标，且二者分别为公司业务部、风控部所关心的指标，但要实现整体业务的收益，务必将这两个指标进行权衡。要想有较高的通过率需要承担较高的坏账率，而要保证较低的坏账率则需要接受较低的通过率。在此分析背景下，公司需要综合成本、利润、损失等维度，来算出业务可接受的决策点，也就是确定合适的通过率与坏账率组合。
为了便于熟悉评分卡在此场景下的分析逻辑，本文在前边介绍内容的基础上，来详细展示下通过率（核准率）与坏账率（违约率）的关系分布。我们以图2等距方式展示的结果为例，来了解下不同临界决策点的效果分布，具体数据如图9所示。
图9 决策分布明细
上图详细展示了在各个分数决策点下的累计通过率与累计坏账率，此决策点代表的业务含义是当评分score大于分数阈值点时，风控审批系统予以通过，否则直接拒绝（小于等于分数点）。举个例子，当分数大于609风控予以通过时，用户进件的核准通过率为74.08%，对应需承担32.91%的违约坏账率。现将不同分数决策点的通过率与坏账率数据，转换为可视化曲线如图10所示。
图10 决策分布曲线
通过以上分布关系结果图，可以更直观了解到各分数决策点给业务带来的影响，而在实际场景中正是需要结合业务情况，选取合适的风控审批cutoff临界点，取得通过率与坏账率的相对平衡，能够较大程度给业务带来收益。
针对决策临界点的选取，虽然我们通过单个分数点将用户群体一分为二，即通过用户与拒绝用户，这样便于理解与分析，但在实际业务场景中，往往很少通过单个分数临界点来实施风控审批，较多情况下会选择连两个分数决策临界点来进行部署实施，这样将申请用户群体划分为3类情况，依次为通过、待定、拒绝，其中通过与拒绝的状态判断均由系统自动化实施，而待定状态的用户，会进入人工审核环节，由人工风控来决定是否予以通过，相关示意样例具体如图11所示（当score<=608时拒绝，当608<score<=634时人工审核，当score>=634时通过）。此外，每个决策临界点的设定，对应区间的样本占比与坏账表现，在实际业务场景中是可接受的，这是开展业务制定风控策略的前提。
图11 双决策临界点示意图
综合以上内容，我们围绕风控常见的评分卡模型，对分数区间的分布信息进行了详细描述，具体采用等距与等频两种方式展开对比分析，客观呈现了不同评分区间划分形式对分布信息的影响，并总结各自优缺点且在实际场景可以综合应用。同时，根据评分区间的必要信息，结合业务风控审批的应用需求，简单介绍了分数决策临界点的实施原理，此外引入实际场景常见的双决策分数点，通过可视化示意图形式阐述了实践机制及其效果，这对进一步理解评分卡区间所呈现的风控信息，具有一定价值的参考意义。
另外跟模型相关的内容，还有以下的M训练营课题，课程详情如下：
以上课程点击左下角【阅读原文】进行了解。
一.课程课程老师介绍
本次课程由番茄风控的从业多年的风控模型专家老师，开班授课。
M老师
老师介绍 ：
①多年消费金融风控模型从业，历任模型经理，专家岗，擅长信贷风控模型；
②某大企金融线模型团队长Leader，头部金融科技事业部经理；
③风控模型专家岗，擅长信贷风控模型的全流程的开发与搭建；
二.课程授课时间：六月份
第一次：6月29日上午9:30-12:00
第二次：6月30日上午9:30-12:00
第三次：7月6日上午9:30-12:00
第四次：7月7日上午9:30-12:00
三.授课形式：远程直播授课
官方企业微信号，扫码添加
