Altair Taiwan Blog

信用卡，車貸，房貸，當代人總會至少辦理過一次。不同人申請到的信用卡額度、貸款額度為什麼不一樣？只是因為收入不同？銀行等貸款方是如何判斷並分配不同用戶的額度的？貸款方又是如何避免風險的？

今天將為大家講解金融機構如何使用資料採擷和預測建模來創建預測貸款違約概率的模型，從而避免給可能無法償還貸款的人放貸來降低風險，並通過提供給有償還能力的客戶新的產品以及服務來增加收入機會。

信用記分卡是一個預測模型的簡化表現形式，它將所有與變數相關特徵有關聯的因素相加，以產生一個分數結果。貸款人通過使用信用記分卡來進行信用決策，例如新貸款申請評估，信用額度變更，交易超限審批等等。信用記分卡的價值在於它使得建模輸出對於貸款人以及潛在的借款客戶來說都非常易於理解。 

信用記分卡被用於構建信用風險模型的通用格式是因為它易於理解，管理和部署以及允許利益相關者之間的直接溝通並提供簡單診斷和監控的特性。監管機構接受信用記分卡作為提出信用風險的標準方法。

生成消費者信用記分卡的過程包括以下兩個高級步驟：

1.  建立統計模型

2.  應用這個統計模型對個人的信用申請或者現有帳戶進行記分

變數具有不同的預測能力，信用記分卡包含的變數會因其預測能力而對最終得分產生影響

影響受理或駁回申請的最終金額樣本

使用不同的候選預測變數來創建信用記分卡。

通過原始資料來源的創建和操作來過濾掉不需要的資料。信用記分卡將點分配給模型中要使用的變數的一系列值，這個被稱為預測能力的度量（MOPP），該範圍可用於評估每個候選預測因數的潛在價值及其對信用記分卡力量的影響。

信用申請人或現有客戶的個人資料可以根據計分卡申請。記分卡的最終金額用於確定信用付款的可能性。

確定向行銷活動的哪一部分提供信貸或向誰提供信貸，以減小風險。當資料集中有數千個變數用於分析數百萬人的個人資料時，這點變得尤其重要。

可能用於記分卡的資料來源

自動信用記分卡方法可以提高規模和速度。它創建了一個處理批准或拒絕的即時流程，減少了應用審核所花費的時間並且增加了可以使用現有資源評估的帳戶數量。

記分卡通常有兩種形式：應用類和行為類。應用類記分卡用於評估接受還是拒絕應用信用額度（例如，信用卡或抵押）。行為類記分卡是帳戶管理和收集中的有用預測模型，其中記分卡可以與基於概率的模型組合。

Altair Knowledge Studio是市場領先的預測分析和機器學習解決方案，資料科學團隊在面對資料貨幣化時代時，通過使用這些解決方案來簡化資料科學。

Knowledge Studio採用靈活開放的方法，允許資料科學團隊使用通用方法，優選統計演算法和個人偏好的程式設計語言，而無需編寫複雜的代碼，讓業務分析師和資料科學家可以更有效地發現資料的洞察力。

通過易用的工作流程更有效地開發記分卡

Knowledge Studio利用直觀和互動式的工作流程來構建和展示記分卡，可以在幾分鐘內刷新和重用記分卡工作流，而無需編寫任何代碼。通過點擊和拖動的工作流程，非常簡單地將流程節點拖動到工作畫布上，並與其它節點連接形成工作流。該工作流提供信用風險記分卡開發過程中所需的即時視覺化文檔。

決策樹，策略樹，圖示和表格可以讓使用者查看和理解變數之間的關係和行為，從而加速提供準確的評估以支援變數縮減。預測能力測量(Measure of Predictive Power，簡稱MOPP)可以使使用者毫不費力的篩選變數以選擇在記分卡開發中使用最相關的變數。候選預測變數可以通過點擊按鈕來進行排序，從而大大減少記分卡變數選擇的總時間。

基於獲得專利的決策樹技術，Knowledge Studio 將預測分析發展為規範分析。通過決策樹，資料科學家和業務分析師可以將多種模型，如將客戶傾向和客戶週期價值結合在一起並覆蓋業務規則（聚合計算）。從而用戶可以更好地視覺化和更好地瞭解細分市場（例如，給定的預設值或預期值）。分析師可以為這些規範模型分配行動和解決方法以快速比較戰略計畫和適當的目標進行細分市場。有了這些知識，信貸放款人就可以考慮採取以下措施：

•  通過預測客戶應對不同追加銷售/交叉銷售活動的傾向來防止收入損失的機會。使用決策樹，可以根據實現某些收入水準或達到特定保證金水準的可能性，將處理方案應用於一個或者多個客戶檔案細分。

•  預測一個人在貸款申請中償還信貸額度或進行欺詐活動的可能性，從而最大限度的降低貸款風險。將業務準則應用於不同授權設定檔可以產生更高的收入水準，降低風險並且帶來額外的增量業務機會。

粗分類（binning）是將資料資料聚合到穩定和統計顯著範圍的必要手段，並在這些範圍內形成有意義的目標變數趨勢。傳統上來說，這是一項繁瑣的手動任務。使用Knowledge Studio的靈活且智慧的證據全權優化程式（WOE），這個分級過程可以變成全自動的，並且在此任務所花費時間將減少50%。自動化粗分類的過程加快優化了預測變數庫，這對於確保單調趨勢，無空值和大小相等的庫範圍所必須的，從而提高了記分卡穩定性和準確性。

傳統的應用記分卡使金融機構很難辨別出所有“好”的客戶。不可避免的是被接受的客戶會在貸款或者償還欠款時違約，但一些被拒絕的客戶可能具有很好的可信度以及盈利性。拒絕推斷通過糾正和最小化選擇偏差並防止模型過度擬合來提高應用記分卡的品質。拒絕推斷包括比例分配，強行中斷，分包以及模糊增強以確保信用評分模型的更準確真實的表現並產生可以預測總人口行為的記分卡。利用這種方式，貸款和信貸組織可以降低關於貸款相關的風險並提高盈利增長。

比例分配:

假設帳戶已被使用隨機過程拒絕，比例分配將隨機分配一定比例的拒絕帳戶為壞帳戶

強行中斷:

也被稱為簡單擴充。使用在接受資料集開發的邏輯回歸模型對拒絕的記錄進行評估。應用截止值來區分好帳戶和壞帳戶。通常設置此截止分數來確保拒絕資料集中壞賬的百分比高於接受的資料集中的百分比。 

分包:

分包採用比例分配方法，並通過創建信用評分條來構建。已知狀態的接受帳戶將根據其信用評分進行分配計算每個評分條中不良帳戶的比例。通過使用計算的分數，被拒絕的帳戶被分配到分數帶中。被拒絕的帳戶被隨機分配好或壞的狀態，這樣的話使得每個評分條中的壞帳戶的比例與接受的資料集中的壞帳戶比例相匹配。

模糊增強:

為每個被拒絕的申請人分配一部分好和一部分壞的狀態。被拒絕的帳戶用已知的記分卡模型評分，並確定好的和壞的概率。通過為每個記錄創建兩個加權案例，為每個被拒絕的帳戶分配一個部分好和部分壞狀態。拒絕的好帳戶用好的概率加權，拒絕的壞帳戶用壞的概率加權。將推斷的拒絕和接受合併，並根據批准率進行調整。

拒絕推斷概述報告

戰略設計、開發和部署工具使用戶能夠將記分卡與使用者定義的業務規則和關鍵績效指標結合起來，生成目標明確的清單，並對其應用諸如信用額度、收款和行銷活動活動等處理方法。由記分卡模型和業務規則組合而成的預測策略比基於預測性假設的猜測產生的影響要高得多，並創建了一個自動化、優化的信貸生命週期處理環境。

① 提高效率:

Knowledge Studio提供了一個功能強大的自動化畫布，用於構建、刷新、重用記分卡開發工作流程。

② 選擇最佳變數:

Knowledge Studio能夠有效分析數千個候選預測變數，以便輕鬆選擇最具預測性和影響力的變數。

③ 優化分級:

Knowledge Studio通過使用靈活且智慧的證據全權優化程式（WOE），可以減少時間50%。  

④ 偏差最小化:

Knowledge Studio包含多種拒絕推斷方法，通過糾正和最小化選擇偏差並防止模型過度擬合來提高應用記分卡的品質

⑤ 制定戰略:

使用 Knowledge Studio的策略樹和其他預測模型開發，驗證，部署和監控客戶策略。