9月6日,央行發布《2021年第二季度支付體系運行總體情況》。數據顯示,截止第二季度末,信用卡逾期半年未償信貸總額818.04 億元,占信用卡應償信貸余額的 1.00%。與第一季度相比,信用卡逾期總額出現小幅下滑,這與銀行在二季度采取嚴格的風控措施有關。為了應對信用卡帶來的大規模逾期,多家銀行在二季度開始加大信用卡整頓力度,而評分卡模型正是銀行最常見的金融風控工具之一。

　　什么是評分卡模型

　　評分卡模型又叫做信用評分卡模型,最早由美國信用評分巨頭FICO公司于20世紀60年代推出,在信用風險評估以及金融風險控制領域中廣泛使用。銀行利用評分卡模型對客戶的信用歷史數據的多個特征進行打分,得到不同等級的信用評分,從而判斷客戶的優質程度,據此決定是否準予授信以及授信的額度和利率。

　　傳統的信貸風控主要靠資深從業人員依靠自身的經驗設置的專家規則,相較而言,評分卡模型的使用具有很明顯的優點。

　　首先,判斷快速。系統只需要按照評分卡逐項打分,最后通過相應的公式計算出總分,即可準確判斷出是否為客戶授信以及額度和利率;其次,客觀透明。評分卡模型的標準是統一的,無論是客戶還是風險審核人員,都可以通過評分卡一眼看出評分結果和評判依據;最后,應用范圍廣。由于評分卡的評分項是客觀計算,其得出的分數具有廣泛的參考性和適用性。例如,生活中常見的支付寶芝麻信用分,就是依據評分卡模型計算得出。

　　傳統評分卡模型建模方式弊端已現

　　當下,國內大部分金融機構采用的還是傳統的評分卡模型建模方式,由于該方式建模過程周期過長,多家金融機構均曾表示,“傳統的評分卡建模方式已經逐漸無法滿足業務發展需求”。以國內某銀行的信貸部門的建模為例,建模前期IT算法人員需要與業務人員進行溝通,待其了解業務之后,再通過編寫代碼來實現數據獲取、數據預處理、變量篩選、算法實現、模型開發評估、評分轉換等一系列流程,且需后期不斷驗證準確度,優化參數,最終生成評分卡模型。往往上線一個模型需要數月時間,如期間用戶行為等數據變化,模型又需要重新迭代,模型更新速度難以跟上業務發展的速度。

　　然而隨著社會的發展,信貸業務規模不斷擴大,客戶行為的數據呈現出爆炸式的增長,金融機構對風控工作的要求也逐漸提升,評分卡模型也變得越來越復雜。金融機構需要耗費更多的精力與時間去升級和維護評分卡模型以滿足風險控制的需求。傳統專家建模方式存在的建模周期長、多模型管理難等問題弊端逐步顯露。

　　飛算AI. Modeler Pro全新上線 三十分鐘實現評分卡模型建模

　　評分卡模型的算法原理雖然不是特別復雜,但在風控領域中有著不可替代的地位。隨著消費金融領域的不斷擴展,不僅銀行,越來越多的金融機構,尤其是小額信貸企業也開始利用評分卡模型完善風控制度。

　　種種建模痛點之下,飛算全自動數據建模平臺AI. Modeler Pro應運而生。飛算AutoML技術凝聚了許多營銷、風控專家的建模經驗,沉淀了在實際業務中驗證下來較優的建模流程和方法論。例如變量編碼、最優分箱,、可視化調整、逐步回歸等。將評分卡模型建模時間從1-2個月縮短到了數小時,大幅提升了建模工作效率。

　　通過飛算AI. Modeler Pro風控評分卡模組,可以對客戶的申請信息、合同信息、人行征信、身份、學歷認證、消費、電信、航旅、公安司法、三方黑灰名單等數據進行充分挖掘,流程化快速建立風控評分卡模型,為申請貸款用戶分級打分,評估用戶的風險高低;發力信貸智能化風控體系建設,幫助風控人員提升風控模型開發效率80%,應對日益增長的業務需求。

　　在銀行風控領域,模型可解釋性的要求非常高,特征的衍生來源,模型生成過程等都必須非常清晰,模型才有可能會被采納上線。飛算全自動數據建模平臺AI. Modeler Pro模型訓練后自動生成可解釋性報告,同時模型從配置、訓練、迭代到生成的每一步,自動記錄詳情,最終形成詳細的建模日志,數據科學家從建模日志可了解模型生成的全部過程,模型可解釋性強。

　　香港城市大學數據科學學院及數學系王軍輝教授全程參加了產品研發,并評價,“飛算全自動數據建模平臺為人工智能應用落地按下加速鍵:沒有AI開發經驗的業務專家可以無門檻開發智能應用;專業AI開發者可以從繁瑣的數據處理及特征工程等工作中‘解放’出來。”