概述
信用評分分析是不同公司評估個人或公司信用評分以幫助确定實體的信譽度的過程。信用評分很重要，因為它考慮了信用的使用次數以及償還的效率。
概括
信用評分分析是指審查個人（或公司）借貸曆史以及他們償還資金的效率的過程。
信用評分對貸方很重要，因為它們揭示了申請人承擔債務并以有效和及時的方式償還債務的能力；這反過來又揭示了貸款人向申請人提供貸款或信用額度的風險有多大。
FICO 信用評分範圍從 300 到 850；信用評分越低，申請人借貸和償還債務的能力就越差。相反，信用評分越高，個人借貸和償還債務的能力就越好。
如何使用信用評分
貸款機構（銀行、抵押貸款經紀人、大型貸方）甚至汽車經銷商等地方都使用信用評分來更好地了解申請人是否值得獲得新的信用額度（或貸款）。這些機構還使用信用評分來幫助确定信用額度的确切性質。
信用評分越高，申請人希望獲得的信用額度（或貸款）越多，條款也越好（包括需要償還的利率、規模和頻率等内容）以及可用于還款的總時間）。
FICO分數
收集和釋出信用報告的公司使用不同類型的信用評分。最常見的是FICO 分數，之是以如此命名是因為該概念最初是由Fair Isaac Corporation 發起的。幾乎所有貸款機構都使用 FICO 分數來幫助确定申請人的信譽。
然而，近年來，FICO 信用評分的替代方案在貸方中越來越受歡迎。大多數替代信用評分方法更強調申請人如何設法支付他們的标準每月費用，例如租金/抵押貸款和電費，而不是僅僅檢視他們的信用或貸款曆史。
FICO 分數範圍從 300 到 850。讓我們分解一下範圍是什麼以及分數對貸方的意義：
300-579（差） ——截至 2018 年，大約 16% 的美國人口屬于這一類；這意味着申請人有大量未償債務。
580–669（公平） ——大約 17% 的人口屬于這一類；此類别的申請人有相當數量的債務，但正在努力償還。
670-739（好） ——大約 21% 的人口屬于這個範圍；該群體中的個人已獲得信貸額度，并積極努力及時償還。
740-799（非常好） ——25% 的人口比例最高；此類别中的個人獲得信貸額度并及時有效地償還債務。
800-850（優秀） ——估計有 21% 的人口屬于這一等級；這個群體的申請人善于借錢并迅速還款，不會積累過多的債務。
中國央行征信VS美國FICO分
但在中國，國情不同，我國機構不能盲目使用FICO分數。美國資料整合程度比較好，我國資料整合程度還有很大進步空間，甚至權威的央行征信裡，諸多變量缺失率可高于90%。
我國的央行征信或芝麻信用分數類似美國FICO分數。
影響 FICO 分數的因素
檢視 FICO 分數時需要考慮一些事項。了解影響信用評分的因素可以幫助個人更明智地借貸、消費和償還債務。FICO 的具體計算方法極其複雜而且保密，但是大體上 FICO 是由以下幾部分組成的：
1. 付款曆史
您的信用記錄以及您還清貸款的速度約占 FICO 分數的 35%。延遲付款總是會導緻 FICO 分數下降。付款所需的時間越長，對分數的影響就越大。發送給收款機構的帳戶或申請破産也會顯着影響您的分數。
2. 信用年齡
一個人擁有信用的時間長度和每次信用發行的一般年齡約占 FICO 分數的 15%。
3. 相對于可用信貸的債務
一個人使用的可用信用量約占 FICO 分數的 30%。經驗法則是使用不超過可用信用的 30%。更頻繁地使用更少的信用并快速償還它是提高您的 FICO 分數的好方法。
4. 擁有多條信用額度
擁有不止一個持續還清的信用額度是好的。擁有不同類型的信用——循環信用（如信用卡）和分期貸款（如抵押貸款或汽車貸款）——有助于提高您的信用評分。
信用評分模型
在信用評分的過程中，最關鍵的就是信用評分模型的建構。用來産生信用評分的模型不勝枚舉，每一種模型均有其獨特的規則。在此，我們主要介紹信用評分模型的建構方法。
基本原理
信用評分模型的基本原理是确定影響違約機率的因素，然後給予權重，計算其信用分數。信用評分模型的建構，目前最為有效的手段是資料挖掘。下面對資料挖掘的定義進行簡單介紹，并重點描述利用資料挖掘技術建構信用評分模型的步驟和方法。
資料挖掘
資料挖掘定義衆說不一，資料挖掘的關鍵可以被分成三個部分：資料、資訊和商業決策，即資料挖掘就是一個從資料中汲取資訊，并使用這些資訊制訂更好的商業決策的過程。
信用評分模型建構步驟
利用資料挖掘技術建構信用評分模型一般需要多個步驟，它們分别是：業務目的确定、資料源識别、資料收集、資料選擇、資料品質稽核、資料轉換、資料挖掘、結果解釋、應用建議，結果應用，模型監控，模型驗證，模型疊代。
- 商業目标确定: 明确資料挖掘的目的或目标是成功完成任何資料挖掘項目的關鍵。例如，确定項目的目的是建構個人住房貸款的信用評分模型。
- 确認資料源識别: 在給定資料挖掘商業目标的情況下，下一個步驟是尋找可以解決和回答商業問題的資料。建構信用評分模型所需要的是關于客戶的大量資訊，應該盡量收集全面的信 息。所需要的資料可能是業務資料，可能是資料庫/資料倉庫中存儲的資料，也可能是外部資料。如果沒有所需的資料，那麼資料收集就是下一個必需的步驟。
- 資料收集: 如果銀行内部不能滿足構模組化型所需的資料，就需要從外部收集，主要是從專門收集人口統計資料、消費者信用曆史資料、地理變量、商業特征和人口普查資料的企業購買得到。
- 資料篩選: 對收集的資料進行篩選，為挖掘準備資料。在實際項目中，由于受到計算處理能力和項目期限的限制，在挖掘項目中想用到所有資料是不可能實作的。是以資料篩選是必不可少的。資料篩選考慮的因素包括資料樣本的大小和品質。
- 資料品質檢測: 一旦資料被篩選出來，成功的資料挖掘的下一步是資料品質檢測和資料整合。目的就是提高篩選出來資料的品質。如果品質太低，就需要重新進行資料篩選。
- 資料轉換: 在選擇并檢測了挖掘需要的資料、格式或變量後，在許多情況下資料轉換非常必要。資料挖掘項目中的特殊轉換方法取決于資料挖掘類型和資料挖掘工具。一旦資料轉換完成，即可開始挖掘工作。
- 資料挖掘: 挖掘資料是所有資料挖掘項目中最核心的部分。在時間或其它相關條件（諸如軟體等）允許的情況下，最好能夠嘗試多種不同的挖掘技巧。因為使用越多的資料挖掘 技巧，可能就會解決越多的商業問題。而且使用多種不同的挖掘技巧可以對挖掘結果的品質進行檢測。例如：在建構信用評分模型時，分類可以通過三種方法來實 現：決策樹，神經分類和邏輯回歸，每一種方法都可能産生出不同的結果。如果多個不同方法生成的結果都相近或相同，那麼挖掘結果是很穩定、可用度非常高的。如果得到的結果不同，在使用結果制定決策前必須查證問題所在。
- 結果解釋: 資料挖掘之後，應該根據零售貸款業務情況、資料挖掘目标和商業目的來評估和解釋挖掘的結果。
- 應用建議：資料挖掘關鍵問題，是如何把分析結果即信用評分模型轉化為商業利潤。
- 結果應用：通過資料挖掘技術建構的信用評分模型，有助于銀行決策層了解整體風險分布情況，為風險管理提供基礎。當然，其最直接的應用就是将信用評分模型回報到銀行的業務作業系統，指導零售信貸業務操作。
11）模型監控：商業公司應定期（日/周/月/年）監控模型的各項名額，主要名額有模型區分能力，模型穩定性，模型排序能力，變量缺失率，異常值等等。
12）模型驗證：随着時間推移，模型區分能力，例如ks,auc會逐漸下降，模型穩定性也會發生偏移。當模型區分能力下降顯著或模型穩定性發生較大偏移時，我們需要重新開發模型，疊代模型。
13）模型疊代：當模型區分能力下降顯著或模型穩定性發生較大偏移時，我們需要重新開發模型，疊代模型。是以模型是重複循環周期，而不是建好後就放任不管。
信用風險評分模型建構方法
資料挖掘方法可以依據其功能被分成4組：預估模型、分類、連結分析和時間序列預測。每一項功能都可以被開發和修改成為适應不同業務的應用。比如: 分類模型可以被運用到建立信用風險評分模型、信用風險評級模型、流失模型、欺詐預測模型和破産模型等。為實作資料挖掘的每一項功能，有許多不同的方法或算法可以使用。這裡讨論的信用風險評分模型主要是屬于分類器模型，是以用到的方法主要有分類分析。分類分析主要方法包括：決策樹、神經網絡、邏輯回歸。
版權聲明：文章來自公衆号(python風控模型),未經許可，不得抄襲。遵循CC 4.0 BY-SA版權協定，轉載請附上原文出處連結及本聲明。
信用評分分析就為大家介紹到這裡了，歡迎學習csdn學院更多金融風控相關知識《python金融風控評分卡模型和資料分析》