Altair数据分析金融行业应用：如何使用信用评分卡降低金融机构风险，增加营收机会？

本文摘要（由AI生成）：

这段文字主要介绍了信用评分卡的定义、应用场景、分类、优点以及使用方法等内容；同时通过案例体现了 Knowledge Studio 在简化信贷战略流程和提高信贷产品推出效率方面的价值。最后介绍了 TD Bank 通过使用机器学习方法和 Altair 的 Knowledge Studio 建立了支付预测模型，优化了催收策略。

为了帮助对申请人做出决策，利用第三方供应商提供的数据（包括拖欠分数，失败分数和付款评级，以及人口统计属性和当前账户活动的历史记录）来创建预测贷款违约概率的模型。贷款方可以通过避开那些可能无法偿还贷款的人来降低风险，并通过提供给有偿还能力的客户新的产品以及服务来增加收入机会。

数据挖掘和预测建模提高了风险管理以及资源优化的能力。通过将分析直接纳入贷款策略，贷款方可以评估和优化客户信用周期的每个阶段。

信用评分卡是一个预测模型的简化表现形式，它将所有与变量相关特征有关联的因素相加，以产生一个分数结果。贷款人使用信用评分卡来进行信用决策，例如：新贷款申请评估、信用额度变更、交易超限审批等等。

使用不同的候选预测变量来创建信用评分卡。从原始数据源创建和操作数据集来过滤掉不需要的数据。

信用评分卡对模型中要使用的变量的一系列值分配点数，这个被称为预测能力的度量（MOPP），该范围可用于评估每个候选预测因子的潜在价值及其对信用评分卡预测能力的影响。

然后将信用卡申请人或现有客户的档案用于信用评分卡的计算。信用评分卡的最终总和用于确定信用支付的可能性。

变量具有不同的预测能力，信用评分卡包含的变量会因其预测能力而对最终得分产生影响

影响受理或驳回申请的最终总和样本

在决定向谁提供信贷或将谁作为营销活动的目标时所面临的挑战与最大限度地降低风险有关。当数据集中有数千个变量用于分析数百万人的个人资料时，这点变得尤其重要。

可能用于评分卡的数据来源

自动信用评分卡方法可以提高规模和速度。它创建了一个处理批准或拒绝的即时流程，减少了审核申请所花费的时间并且增加了可以使用现有资源评估的账户数量。

信用分析师的目标是通过预测分析识别那些没有偿还的人和那些需要相当长时间才能偿还的人（>60天）来降低风险。评分卡用于确定一开始的可信度。

申请评分卡对申请人进行信用违约可能性的预测。从贷方获得贷款的已有借贷人的信息将用来分析新的申请人。

因为潜在客户的数量要远远高于现有客户群体，正确开发的新发放贷款信用评分卡必须能够在更大的潜在客户群体的背景下按预期运行。现有客户群体的信息以及那些被拒绝贷款的客户信息都要被运用起来。

潜在的借款人需要被归类为好的或者坏的候选人。有的时候会用拒绝推断方法，因为不太可能收集一个申请人的全部过往申请、信用记录。拒绝推断方法将对被拒绝申请人推断账户状态，然后把这些结果和已通过的申请结合以创建一个可预测的分析模型，从而将其扩展到一个申请评分卡上。

消除选择偏差会产生最有效率的申请评分卡。拒绝推断方法确保信用评分模型的准确性和实际性能，以及产生可预测整个群体行为的评分卡。借用这种洞察力，贷款和信贷组织可以降低与贷款相关的风险并提高盈利增长。

行为评分卡用于监控当前客户的行为。在信用贷款的业务中，行为评分卡用于监控和管理账户的生命周期，更新或审查信用额度以及设置催收策略，审查定价和条款。

这种类型的评分卡具有访问额外交易和行为信息以得出更精确的分数的优点。虽然申请评分卡适用于新的贷款发放，但是行为评分卡可以更好的决定是否在抵押贷款更新时提供较低的利率以促进新的理财产品和服务，还是避免提供新的信贷。行为评分卡往往比申请评分卡更准确，主要因为可以用来生成这种行为类模型的数据更多。

Knowledge Studio利用直观和交互式的工作流程来构建和展示评分卡，可以在几分钟内刷新和重复利用评分卡流程，而无需编写任何代码。

通过点击和拖动的工作流程，非常简单地将流程节点拖动到工作画布上，并与其它节点连接形成工作流。该工作流提供信用风险评分卡开发过程中所需要的即时可视化文档。

决策树、策略树、图标和表格可以让使用者查看和理解变量之间的关系和行为并快速地提供准确的评估来减少变量。

预测能力测量(Measure of Predictive Power，简称MOPP)可以使用户毫不费力的筛选变量以选择在评分卡开发中使用最相关的变量。候选预测变量可以通过点击按钮来进行排序，从而大大减少评分卡变量选择的总时间。

基于获得专利的决策树技术， Knowledge Studio 将预测分析发展为规范分析。通过决策树，数据科学家和业务分析师可以将多种模型，比如，将客户倾向和客户周期价值结合在一起并覆盖业务规则（聚合计算）。

这样的话用户可以更好地可视化和了解细分市场（例如：给定的默认值或预期值）。分析师可以为这些规范模型分配行动和解决方法以快速比较战略计划和适当的目标细分。

有了这些知识，信贷放款人就可以考虑采取以下措施： 

• 通过预测客户应对不同向上销售/交叉销售活动的倾向来防止收入损失的机会。使用决策树，可以根据实现某些收入水平或达到特定保证金水平的可能性，将处理方案应用于一个或者多个客户细分档案。

• 预测一个人在贷款申请中偿还信贷额度或进行欺诈活动的可能性，从而最大限度的降低贷款风险。将业务准则应用于不同客户档案可以产生更高的收入水平，降低风险并且带来额外的增量业务机会。

粗分类（binning）是将数据聚合到稳定和统计显著范围的必要手段，并在这些范围内形成有意义的目标变量趋势。

传统上来说，这是一项繁琐的手动任务。使用Knowledge Studio 的灵活且智能的证据权重优化程序（WOE），这个分级过程可以变成全自动的，并且仅在此任务所花费时间将减少50%。

自动化粗分类的过程加快优化了预测变量分组，这对于确保单调趋势、无空值和大小相等的分组是必须的，从而提高了评分卡稳定性和准确性。

传统的申请评分卡使金融机构很难辨别出所有“好”的客户。不可避免的是被接受的客户会在贷款或者偿还欠款时违约，而一些被拒绝的客户可能具有很好的可信度以及盈利性。拒绝推断通过纠正和最小化选择偏差并防止模型过度拟合来提高申请评分卡的质量。

拒绝推断包括比例分配、强行中断、分包以及模糊增强以确保信用评分模型的更准确真实的表现并产生可以预测总群体行为的评分卡。利用这种方式，贷款和信贷组织可以降低关于贷款相关的风险并提高盈利增长。

拒绝推断概述报告

战略设计、开发和部署工具使用户能够将评分卡与用户定义的业务规则和关键绩效指标结合起来，生成目标明确的列表，并对其应用诸如信用额度、收款和营销活动活动等处理方法。

由评分卡模型和业务规则组合而成的预测策略比基于预测性假设的猜测产生的影响要高得多，并创建了一个自动化、优化的信贷生命周期处理环境。

Knowledge Studio 的端到端分析建模功能使信贷风险分析师能够创建高质量的评分卡。使用链接的工作流，数据科学家和业务分析师可以完成数据准备任务，进行分析和细分，并构建包含信用评分分类的预测分析模型。

由于不需要编码，数据科学经常遇到的复杂性被一种有效的方法所取代，从而使数据中的洞察力可以创造更多的价值。

• 针对22%的逾期客户回收了50%的未偿还债务总额；

• 优化引擎提供了进一步节约运营成本、确定理想的催收渠道，即电话、电子邮件、信件等；

• 模型开发时间缩短，由原来的7周缩短为3周。