信用评分卡 第七组 团队 组长：范亚军 组员：张鹏伟、方俊雅、庞瑞、王漪慧 汇报人员：张鹏伟.

Presentation on theme: "信用评分卡 第七组 团队 组长：范亚军 组员：张鹏伟、方俊雅、庞瑞、王漪慧 汇报人员：张鹏伟."— Presentation transcript:

1 信用评分卡 第七组 团队 组长：范亚军 组员：张鹏伟、方俊雅、庞瑞、王漪慧 汇报人员：张鹏伟

2 项目背景 信用评分卡是近年来兴起的一种为保障银行和其他金融部门的金融安全而设立的一种关于金融权限的划定模型。
该模型指根据用户的信用历史资料，利用一定的信用评分模型，得到不同等级的信用分数。信用评分卡的建立是以对大量数据的统计分析结果为基础，具有较高的准确性和可靠性。

3 1 数据理解 2 数据预处理 项目流程 3 特征变量选择 4 模型建立与评估 制作信用评分卡 5

4 PART 01 数据理解 熟悉数据内容 更改字段名称 数据缺失情况 好坏客户比例

5 数据信息 缺失值情况 2019/12/4

6 理解数据 变量 基本属性 偿债能力 信用往来 财产状况 其他因素 包括了借款人当时的年龄 包括了借款人的月收入、 负债比率
两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。 信用往来 财产状况 包括了开放式信贷和贷款数量、 不动产贷款或额度数量 其他因素 包括了借款人的家属数量（不包括本人在内）

7 理解数据 好坏客户比例

8 PART 02 数据预处理 描述统计信息 处理异常值 处理缺失值

9 查看分析描述统计信息

10 处理异常值

11 处理缺失值

12 PART 03 特征变量选择 相关性检验 数据分箱 WOE值和IV值

13 变量的相关性检验 建模之前需要先检验变量之间的相关性，如果自变量之间具有强相关性，则会影响模型的准确性；如果自变量和因变量之间具有强相关性，则需要重点关注，后续提取特征时需要保留

14 数据分箱

15 计算WOE及IV值

16 计算WOE及IV值

17 PART 04 模型建立与评估 WOE值替换 数据切分 回归模型建立 模型评估

18 WOE值替换 转换可以将Logistic回归模型转变为标准评分卡格式。在建立模型之前，我们需要将筛选后的变量转换为WOE值，便于信用评分。
证据权重（Weight of Evidence,WOE） 转换可以将Logistic回归模型转变为标准评分卡格式。在建立模型之前，我们需要将筛选后的变量转换为WOE值，便于信用评分。

19 数据切分 线下门店 分成训练集和测试集 为了验证模型的拟合效果，我们需要对数据集进行切分，分成训练集和测试集。在对数据进行进一步的拆分之前，我们要考虑到对我们训练后的机器学习算法进行有效的检验。

20 数据切分 线下门店

21  Logistic回归模型建立

22 模型评估 在精确率与召回率间进行权衡，调整分类器threshold取值，以FPR（假正率False-positive rate）为横坐标，TPR（True-positive rate）为纵坐标做ROC曲线；Area Under roc Curve(AUC)：处于ROC curve下方的那部分面积的大小即AUC ROC 和AUC AUC=0.85

23 模型评估 KS指标: 用以评估模型对好、坏客户的判别区分能力，计算累计坏客户与累计好客户百分比的最大差距。KS值范围在0%-100%，判别标准如下： KS: <20% : 差 KS: 20%-40% : 一般 KS: 41%-50% : 好 KS: 51%-75% : 非常好 KS: >75% : 过高，需要谨慎的验证模型。 KS指标 KS=54%

24 PART 05 制作评分卡 训练集评分 制作评分卡

25 通过公式可以根据变量各特征属性的woe值及回归系数得到评分值
评分卡公式 通过公式可以根据变量各特征属性的woe值及回归系数得到评分值 本地 市场

26 训练集的综合评分 本地 市场

27 信用综合评分卡

28 有时候数学上的最佳答案并不是商业上最佳选择。
以《大数据时代的商业建模》中一句话作为结束 建模不能脱离商业环境和业务诉求。 有时候数学上的最佳答案并不是商业上最佳选择。

29 感谢在座各位的聆听 第七组 团队 组长：范亚军 组员：张鹏伟、方俊雅、庞瑞、王漪慧 汇报人员：张鹏伟