Altair Taiwan Blog

為了幫助對申請人做出決策，利用第三方供應商提供的數據（包括拖欠分數，失敗分數和付款評級，以及人口統計屬性和當前賬戶活動的歷史記錄）來創建預測貸款違約概率的模型。貸款方可以通過避開那些可能無法償還貸款的人來降低風險，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。

數據挖掘和預測建模提高了風險管理以及資源優化的能力。通過將分析直接納入貸款策略，貸款方可以評估和優化客戶信用周期的每個階段。

信用評分卡是一個預測模型的簡化表現形式，它將所有與變量相關特徵有關聯的因素相加，以產生一個分數結果。貸款人使用信用評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。

使用不同的候選預測變量來創建信用評分卡。從原始數據源創建和操作數據集來過濾掉不需要的數據。

信用評分卡對模型中要使用的變量的一系列值分配點數，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子的潛在價值及其對信用評分卡預測能力的影響。

然後將信用卡申請人或現有客戶的檔案用於信用評分卡的計算。信用評分卡的最終總和用於確定信用支付的可能性。

變量具有不同的預測能力，信用評分卡包含的變量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總和样本

在決定向誰提供信貸或將誰作為營銷活動的目標時所面臨的挑戰與最大限度地降低風險有關。當數據集中有數千個變量用於分析數百萬人的個人資料時，這點變得尤其重要。

可能用於評分卡的數據來源

自動信用評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，減少了審核申請所花費的時間並且增加了可以使用現有資源評估的賬戶數量。

信用分析師的目標是通過預測分析識別那些沒有償還的人和那些需要相當長時間才能償還的人（>60天）來降低風險。評分卡用於確定一開始的可信度。

申請評分卡對申請人進行信用違約可能性的預測。從貸方獲得貸款的已有借貸人的信息將用來分析新的申請人。

因為潛在客戶的數量要遠遠高於現有客戶群體，正確開發的新發放貸款信用評分卡必須能夠在更大的潛在客戶群體的背景下按預期運行。現有客戶群體的信息以及那些被拒絕貸款的客戶信息都要被運用起來。

潛在的借款人需要被歸類為好的或者壞的候選人。有的時候會用拒絕推斷方法，因為不太可能收集一個申請人的全部過往申請、信用記錄。拒絕推斷方法將對被拒絕申請人推斷賬戶狀態，然後把這些結果和已通過的申請結合以創建一個可預測的分析模型，從而將其擴展到一個申請評分卡上。

消除選擇偏差會產生最有效率的申請評分卡。拒絕推斷方法確保信用評分模型的準確性和實際性能，以及產生可預測整個群體行為的評分卡。借用這種洞察力，貸款和信貸組織可以降低與貸款相關的風險並提高盈利增長。

行為評分卡用於監控當前客戶的行為。在信用貸款的業務中，行為評分卡用於監控和管理賬戶的生命週期，更新或審查信用額度以及設置催收策略，審查定價和條款。

這種類型的評分卡具有訪問額外交易和行為信息以得出更精確的分數的優點。雖然申請評分卡適用於新的貸款發放，但是行為評分卡可以更好的決定是否在抵押貸款更新時提供較低的利率以促進新的理財產品和服務，還是避免提供新的信貸。行為評分卡往往比申請評分卡更準確，主要因為可以用來生成這種行為類模型的數據更多。

Knowledge Studio利用直觀和交互式的工作流程來構建和展示評分卡，可以在幾分鐘內刷新和重複利用評分卡流程，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評分卡開發過程中所需要的即時可視化文檔。

決策樹、策略樹、圖標和表格可以讓使用者查看和理解變量之間的關係和行為并快速地提供準確的評估來減少變量。

預測能力測量(Measure of Predictive Power，簡稱MOPP)可以使用戶毫不費力的篩選變量以選擇在評分卡開發中使用最相關的變量。候選預測變量可以通過點擊按鈕來進行排序，從而大大減少評分卡變量選擇的總時間。

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，數據科學家和業務分析師可以將多種模型，比如，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）。

這樣的話用戶可以更好地可視化和了解細分市場（例如：給定的默認值或預期值）。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劃和適當的目標細分。

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向上銷售/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平或達到特定保證金水平的可能性，將處理方案應用於一個或者多個客戶細分檔案。
• 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客戶檔案可以產生更高的收入水平，降低風險並且帶來額外的增量業務機會。

粗分類（binning）是將數據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量趨勢。

傳統上來說，這是一項繁瑣的手動任務。使用Knowledge Studio的靈活且智能的證據權重優化程序（WOE），這個分級過程可以變成全自動的，並且僅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量分組，這對於確保單調趨勢、無空值和大小相等的分組是必須的，從而提高了評分卡穩定性和準確性。

傳統的申請評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，而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申請評分卡的質量。

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群體行為的評分卡。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。

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評分卡與用戶定義的業務規則和關鍵績效指標結合起來，生成目標明確的列表，並對其應用諸如信用額度、收款和營銷活動活動等處理方法。

由評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。

Knowledge Studio的端到端分析建模功能使信貸風險分析師能夠創建高質量的評分卡。使用鏈接的工作流，數據科學家和業務分析師可以完成數據準備任務，進行分析和細分，並構建包含信用評分分類的預測分析模型。

由於不需要編碼，數據科學經常遇到的複雜性被一種有效的方法所取代，從而使數據中的洞察力可以創造更多的價值。

• 針對22%的逾期客戶回收了50%的未償還債務總額；
• 優化引擎提供了進一步節約運營成本、確定理想的催收渠道，即電話、電子郵件、信件等；
• 模型開發時間縮短，由原來的7週縮短為3週。