9月6日,央行發(fā)布《2021年第二季度支付體系運(yùn)行總體情況》。數(shù)據(jù)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(yīng)償信貸余額的 1.00%。與第一季度相比,信用卡逾期總額出現(xiàn)小幅下滑,這與銀行在二季度采取嚴(yán)格的風(fēng)控措施有關(guān)。為了應(yīng)對(duì)信用卡帶來(lái)的大規(guī)模逾期,多家銀行在二季度開(kāi)始加大信用卡整頓力度,而評(píng)分卡模型正是銀行最常見(jiàn)的金融風(fēng)控工具之一。
什么是評(píng)分卡模型
評(píng)分卡模型又叫做信用評(píng)分卡模型,最早由美國(guó)信用評(píng)分巨頭FICO公司于20世紀(jì)60年代推出,在信用風(fēng)險(xiǎn)評(píng)估以及金融風(fēng)險(xiǎn)控制領(lǐng)域中廣泛使用。銀行利用評(píng)分卡模型對(duì)客戶的信用歷史數(shù)據(jù)的多個(gè)特征進(jìn)行打分,得到不同等級(jí)的信用評(píng)分,從而判斷客戶的優(yōu)質(zhì)程度,據(jù)此決定是否準(zhǔn)予授信以及授信的額度和利率。
傳統(tǒng)的信貸風(fēng)控主要靠資深從業(yè)人員依靠自身的經(jīng)驗(yàn)設(shè)置的專家規(guī)則,相較而言,評(píng)分卡模型的使用具有很明顯的優(yōu)點(diǎn)。
首先,判斷快速。系統(tǒng)只需要按照評(píng)分卡逐項(xiàng)打分,最后通過(guò)相應(yīng)的公式計(jì)算出總分,即可準(zhǔn)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(píng)分卡模型的標(biāo)準(zhǔn)是統(tǒng)一的,無(wú)論是客戶還是風(fēng)險(xiǎn)審核人員,都可以通過(guò)評(píng)分卡一眼看出評(píng)分結(jié)果和評(píng)判依據(jù);最后,應(yīng)用范圍廣。由于評(píng)分卡的評(píng)分項(xiàng)是客觀計(jì)算,其得出的分?jǐn)?shù)具有廣泛的參考性和適用性。例如,生活中常見(jiàn)的支付寶芝麻信用分,就是依據(jù)評(píng)分卡模型計(jì)算得出。
傳統(tǒng)評(píng)分卡模型建模方式弊端已現(xiàn)
當(dāng)下,國(guó)內(nèi)大部分金融機(jī)構(gòu)采用的還是傳統(tǒng)的評(píng)分卡模型建模方式,由于該方式建模過(guò)程周期過(guò)長(zhǎng),多家金融機(jī)構(gòu)均曾表示,“傳統(tǒng)的評(píng)分卡建模方式已經(jīng)逐漸無(wú)法滿足業(yè)務(wù)發(fā)展需求”。以國(guó)內(nèi)某銀行的信貸部門(mén)的建模為例,建模前期IT算法人員需要與業(yè)務(wù)人員進(jìn)行溝通,待其了解業(yè)務(wù)之后,再通過(guò)編寫(xiě)代碼來(lái)實(shí)現(xiàn)數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、變量篩選、算法實(shí)現(xiàn)、模型開(kāi)發(fā)評(píng)估、評(píng)分轉(zhuǎn)換等一系列流程,且需后期不斷驗(yàn)證準(zhǔn)確度,優(yōu)化參數(shù),最終生成評(píng)分卡模型。往往上線一個(gè)模型需要數(shù)月時(shí)間,如期間用戶行為等數(shù)據(jù)變化,模型又需要重新迭代,模型更新速度難以跟上業(yè)務(wù)發(fā)展的速度。
然而隨著社會(huì)的發(fā)展,信貸業(yè)務(wù)規(guī)模不斷擴(kuò)大,客戶行為的數(shù)據(jù)呈現(xiàn)出爆炸式的增長(zhǎng),金融機(jī)構(gòu)對(duì)風(fēng)控工作的要求也逐漸提升,評(píng)分卡模型也變得越來(lái)越復(fù)雜。金融機(jī)構(gòu)需要耗費(fèi)更多的精力與時(shí)間去升級(jí)和維護(hù)評(píng)分卡模型以滿足風(fēng)險(xiǎn)控制的需求。傳統(tǒng)專家建模方式存在的建模周期長(zhǎng)、多模型管理難等問(wèn)題弊端逐步顯露。
飛算AI. Modeler Pro全新上線 三十分鐘實(shí)現(xiàn)評(píng)分卡模型建模
評(píng)分卡模型的算法原理雖然不是特別復(fù)雜,但在風(fēng)控領(lǐng)域中有著不可替代的地位。隨著消費(fèi)金融領(lǐng)域的不斷擴(kuò)展,不僅銀行,越來(lái)越多的金融機(jī)構(gòu),尤其是小額信貸企業(yè)也開(kāi)始利用評(píng)分卡模型完善風(fēng)控制度。
種種建模痛點(diǎn)之下,飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)AI. Modeler Pro應(yīng)運(yùn)而生。飛算AutoML技術(shù)凝聚了許多營(yíng)銷、風(fēng)控專家的建模經(jīng)驗(yàn),沉淀了在實(shí)際業(yè)務(wù)中驗(yàn)證下來(lái)較優(yōu)的建模流程和方法論。例如變量編碼、最優(yōu)分箱,、可視化調(diào)整、逐步回歸等。將評(píng)分卡模型建模時(shí)間從1-2個(gè)月縮短到了數(shù)小時(shí),大幅提升了建模工作效率。
通過(guò)飛算AI. Modeler Pro風(fēng)控評(píng)分卡模組,可以對(duì)客戶的申請(qǐng)信息、合同信息、人行征信、身份、學(xué)歷認(rèn)證、消費(fèi)、電信、航旅、公安司法、三方黑灰名單等數(shù)據(jù)進(jìn)行充分挖掘,流程化快速建立風(fēng)控評(píng)分卡模型,為申請(qǐng)貸款用戶分級(jí)打分,評(píng)估用戶的風(fēng)險(xiǎn)高低;發(fā)力信貸智能化風(fēng)控體系建設(shè),幫助風(fēng)控人員提升風(fēng)控模型開(kāi)發(fā)效率80%,應(yīng)對(duì)日益增長(zhǎng)的業(yè)務(wù)需求。
在銀行風(fēng)控領(lǐng)域,模型可解釋性的要求非常高,特征的衍生來(lái)源,模型生成過(guò)程等都必須非常清晰,模型才有可能會(huì)被采納上線。飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)AI. Modeler Pro模型訓(xùn)練后自動(dòng)生成可解釋性報(bào)告,同時(shí)模型從配置、訓(xùn)練、迭代到生成的每一步,自動(dòng)記錄詳情,最終形成詳細(xì)的建模日志,數(shù)據(jù)科學(xué)家從建模日志可了解模型生成的全部過(guò)程,模型可解釋性強(qiáng)。
香港城市大學(xué)數(shù)據(jù)科學(xué)學(xué)院及數(shù)學(xué)系王軍輝教授全程參加了產(chǎn)品研發(fā),并評(píng)價(jià),“飛算全自動(dòng)數(shù)據(jù)建模平臺(tái)為人工智能應(yīng)用落地按下加速鍵:沒(méi)有AI開(kāi)發(fā)經(jīng)驗(yàn)的業(yè)務(wù)專家可以無(wú)門(mén)檻開(kāi)發(fā)智能應(yīng)用;專業(yè)AI開(kāi)發(fā)者可以從繁瑣的數(shù)據(jù)處理及特征工程等工作中‘解放’出來(lái)。”
