概述
信用评分分析是不同公司评估个人或公司信用评分以帮助确定实体的信誉度的过程。信用评分很重要，因为它考虑了信用的使用次数以及偿还的效率。
概括
信用评分分析是指审查个人（或公司）借贷历史以及他们偿还资金的效率的过程。
信用评分对贷方很重要，因为它们揭示了申请人承担债务并以有效和及时的方式偿还债务的能力；这反过来又揭示了贷款人向申请人提供贷款或信用额度的风险有多大。
FICO 信用评分范围从 300 到 850；信用评分越低，申请人借贷和偿还债务的能力就越差。相反，信用评分越高，个人借贷和偿还债务的能力就越好。
如何使用信用评分
贷款机构（银行、抵押贷款经纪人、大型贷方）甚至汽车经销商等地方都使用信用评分来更好地了解申请人是否值得获得新的信用额度（或贷款）。这些机构还使用信用评分来帮助确定信用额度的确切性质。
信用评分越高，申请人希望获得的信用额度（或贷款）越多，条款也越好（包括需要偿还的利率、规模和频率等内容）以及可用于还款的总时间）。
FICO分数
收集和发布信用报告的公司使用不同类型的信用评分。最常见的是FICO 分数，之所以如此命名是因为该概念最初是由Fair Isaac Corporation 发起的。几乎所有贷款机构都使用 FICO 分数来帮助确定申请人的信誉。
然而，近年来，FICO 信用评分的替代方案在贷方中越来越受欢迎。大多数替代信用评分方法更强调申请人如何设法支付他们的标准每月费用，例如租金/抵押贷款和电费，而不是仅仅查看他们的信用或贷款历史。
FICO 分数范围从 300 到 850。让我们分解一下范围是什么以及分数对贷方的意义：
300-579（差） ——截至 2018 年，大约 16% 的美国人口属于这一类；这意味着申请人有大量未偿债务。
580–669（公平） ——大约 17% 的人口属于这一类；此类别的申请人有相当数量的债务，但正在努力偿还。
670-739（好） ——大约 21% 的人口属于这个范围；该群体中的个人已获得信贷额度，并积极努力及时偿还。
740-799（非常好） ——25% 的人口比例最高；此类别中的个人获得信贷额度并及时有效地偿还债务。
800-850（优秀） ——估计有 21% 的人口属于这一等级；这个群体的申请人善于借钱并迅速还款，不会积累过多的债务。
中国央行征信VS美国FICO分
但在中国，国情不同，我国机构不能盲目使用FICO分数。美国数据整合程度比较好，我国数据整合程度还有很大进步空间，甚至权威的央行征信里，诸多变量缺失率可高于90%。
我国的央行征信或芝麻信用分数类似美国FICO分数。
影响 FICO 分数的因素
查看 FICO 分数时需要考虑一些事项。了解影响信用评分的因素可以帮助个人更明智地借贷、消费和偿还债务。FICO 的具体计算方法极其复杂而且保密，但是大体上 FICO 是由以下几部分组成的：
1. 付款历史
您的信用记录以及您还清贷款的速度约占 FICO 分数的 35%。延迟付款总是会导致 FICO 分数下降。付款所需的时间越长，对分数的影响就越大。发送给收款机构的帐户或申请破产也会显着影响您的分数。
2. 信用年龄
一个人拥有信用的时间长度和每次信用发行的一般年龄约占 FICO 分数的 15%。
3. 相对于可用信贷的债务
一个人使用的可用信用量约占 FICO 分数的 30%。经验法则是使用不超过可用信用的 30%。更频繁地使用更少的信用并快速偿还它是提高您的 FICO 分数的好方法。
4. 拥有多条信用额度
拥有不止一个持续还清的信用额度是好的。拥有不同类型的信用——循环信用（如信用卡）和分期贷款（如抵押贷款或汽车贷款）——有助于提高您的信用评分。
信用评分模型
在信用评分的过程中，最关键的就是信用评分模型的构建。用来产生信用评分的模型不胜枚举，每一种模型均有其独特的规则。在此，我们主要介绍信用评分模型的构建方法。
基本原理
信用评分模型的基本原理是确定影响违约概率的因素，然后给予权重，计算其信用分数。信用评分模型的构建，目前最为有效的手段是数据挖掘。下面对数据挖掘的定义进行简单介绍，并重点描述利用数据挖掘技术构建信用评分模型的步骤和方法。
数据挖掘
数据挖掘定义众说不一，数据挖掘的关键可以被分成三个部分：数据、信息和商业决策，即数据挖掘就是一个从数据中汲取信息，并使用这些信息制订更好的商业决策的过程。
信用评分模型构建步骤
利用数据挖掘技术构建信用评分模型一般需要多个步骤，它们分别是：业务目的确定、数据源识别、数据收集、数据选择、数据质量审核、数据转换、数据挖掘、结果解释、应用建议，结果应用，模型监控，模型验证，模型迭代。
- 商业目标确定: 明确数据挖掘的目的或目标是成功完成任何数据挖掘项目的关键。例如，确定项目的目的是构建个人住房贷款的信用评分模型。
- 确认数据源识别: 在给定数据挖掘商业目标的情况下，下一个步骤是寻找可以解决和回答商业问题的数据。构建信用评分模型所需要的是关于客户的大量信息，应该尽量收集全面的信 息。所需要的数据可能是业务数据，可能是数据库/数据仓库中存储的数据，也可能是外部数据。如果没有所需的数据，那么数据收集就是下一个必需的步骤。
- 数据收集: 如果银行内部不能满足构建模型所需的数据，就需要从外部收集，主要是从专门收集人口统计数据、消费者信用历史数据、地理变量、商业特征和人口普查数据的企业购买得到。
- 数据筛选: 对收集的数据进行筛选，为挖掘准备数据。在实际项目中，由于受到计算处理能力和项目期限的限制，在挖掘项目中想用到所有数据是不可能实现的。因此数据筛选是必不可少的。数据筛选考虑的因素包括数据样本的大小和质量。
- 数据质量检测: 一旦数据被筛选出来，成功的数据挖掘的下一步是数据质量检测和数据整合。目的就是提高筛选出来数据的质量。如果质量太低，就需要重新进行数据筛选。
- 数据转换: 在选择并检测了挖掘需要的数据、格式或变量后，在许多情况下数据转换非常必要。数据挖掘项目中的特殊转换方法取决于数据挖掘类型和数据挖掘工具。一旦数据转换完成，即可开始挖掘工作。
- 数据挖掘: 挖掘数据是所有数据挖掘项目中最核心的部分。在时间或其它相关条件（诸如软件等）允许的情况下，最好能够尝试多种不同的挖掘技巧。因为使用越多的数据挖掘 技巧，可能就会解决越多的商业问题。而且使用多种不同的挖掘技巧可以对挖掘结果的质量进行检测。例如：在构建信用评分模型时，分类可以通过三种方法来实 现：决策树，神经分类和逻辑回归，每一种方法都可能产生出不同的结果。如果多个不同方法生成的结果都相近或相同，那么挖掘结果是很稳定、可用度非常高的。如果得到的结果不同，在使用结果制定决策前必须查证问题所在。
- 结果解释: 数据挖掘之后，应该根据零售贷款业务情况、数据挖掘目标和商业目的来评估和解释挖掘的结果。
- 应用建议：数据挖掘关键问题，是如何把分析结果即信用评分模型转化为商业利润。
- 结果应用：通过数据挖掘技术构建的信用评分模型，有助于银行决策层了解整体风险分布情况，为风险管理提供基础。当然，其最直接的应用就是将信用评分模型反馈到银行的业务操作系统，指导零售信贷业务操作。
11）模型监控：商业公司应定期（日/周/月/年）监控模型的各项指标，主要指标有模型区分能力，模型稳定性，模型排序能力，变量缺失率，异常值等等。
12）模型验证：随着时间推移，模型区分能力，例如ks,auc会逐步下降，模型稳定性也会发生偏移。当模型区分能力下降显著或模型稳定性发生较大偏移时，我们需要重新开发模型，迭代模型。
13）模型迭代：当模型区分能力下降显著或模型稳定性发生较大偏移时，我们需要重新开发模型，迭代模型。因此模型是重复循环周期，而不是建好后就放任不管。
信用风险评分模型构建方法
数据挖掘方法可以依据其功能被分成4组：预估模型、分类、链接分析和时间序列预测。每一项功能都可以被开发和修改成为适应不同业务的应用。比如: 分类模型可以被运用到建立信用风险评分模型、信用风险评级模型、流失模型、欺诈预测模型和破产模型等。为实现数据挖掘的每一项功能，有许多不同的方法或算法可以使用。这里讨论的信用风险评分模型主要是属于分类器模型，所以用到的方法主要有分类分析。分类分析主要方法包括：决策树、神经网络、逻辑回归。
版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
信用评分分析就为大家介绍到这里了，欢迎学习csdn学院更多金融风控相关知识《python金融风控评分卡模型和数据分析》