背景
信用是一切社會金融體系的根本，有了每個人的信用我們才可以進行放貸、共享充電寶、共享單車等業務。如果可以準确的給每個社會成員的信用做一個打分，将對金融業務的推進有很大作用，很多相關業務的企業也在探索如何實作信用分。
目前業内最通用的方案是評分卡算法，這個算法底層其實就是簡單地二分類模型，将邏輯回歸或者xgboost進行封裝。但是為什麼不能直接使用xgboost甚至深度學習算法做信用評估呢？因為金融業務有自己的特殊性，要求模型需要有強解釋性，是以評分卡解決方案經常包含分箱和評分兩個子產品。就是為了做到每個分數的強解釋性。
評分卡模型解釋性
通過一個例子介紹什麼叫強解釋性。以下圖為例：
這是一個評分卡算法的部分特征資料展示，有年齡、性别、婚姻狀況、學曆、月收入。評判每個人的分數也很容易：
客戶分=基準分+年齡分+性别分+婚姻狀況分+學曆分+月收入分
是以在評分卡體系中，每個人的分數都會拆分成很多子子產品，這些子子產品的分數的和，跟基準分加到一起就是信用評分。接下來介紹下評分卡的執行流程。
評分卡流程
1.資料準備
通常評分卡模型的資料需要包含四個方面，分别是客戶統計資訊、賬戶屬性、消費行為和還款行為。
根據資料目标的不同，可以分為ABC三種評分卡：
- 貸前：申請評分卡（Application score card），又稱為A卡
- 貸中：行為評分卡（Behavior score card），又稱為B卡
- 貸後：催收評分卡（Collection score card），又稱為C卡
2.分箱
分箱算法是将每個字段按照不同的模式進行離散化處理。分箱有很多模式，分為有監督模式和無監督模式。
- 有監督分箱：通過訓練二叉樹模型，将IV大的切分點找出來實作分箱
- 無監督分箱：利用等頻、等距等模式進行分箱
分箱出來的分箱結果需要進行評估，并且不斷調整分箱。評估方式是要計算WOE和IV名額。
WOE指的是該組好的客戶和所有好的客戶的比例，WOE的值最終會影響IV的值，IV的公式：
IV的值越大，說明這個分箱模式對結果的預測越重要，是以分箱的目的是盡可能的提升每組分箱結果的IV值。
通常分箱算法會提供一個WOE和IV的展示圖：
3.評分算法
評分算法相對就比較簡單，其實就是訓練一個邏輯回歸或者XGboost模型，将模型系數跟對應的分箱的WOE值做權重。
其中A是個基準分，B為常量，模型系數和WOE值組合成了剩下的變量和。最終通過評分算法将每個人的分數映射到一個合理的區間，是以評分區間的設定主要是調整A的取值，比如我們希望每個人的信用分都是500左右，就可以把A調整為500。最終的評分卡方案就是分箱+打分模型。
參考文獻：
[1]https://zhuanlan.zhihu.com/p/36539125
[2]https://blog.csdn.net/ISMedal/article/details/89380396
[3]https://www.jianshu.com/p/c3fa53c54cca