融慧金科针对传统征信报告处理痛点有什么秘籍？

梅丽莎好

　　融慧金科发现：很多金融机构在处理征信报告时，都会存在一些问题，比如，征信报告信息分类较多，数据类型多样，分析整理时间和人力成本较高；数据使用不充分，不能系统性的生成衍生变量，容易丢失重要信息；缺乏数据分析和建模能力等。作为一家专业的金融科技服务商，融慧金科通过处理和应用人行征信数据，可帮助机构判断贷款申请客户风险程度，并针对性地提供“秘籍”，也就是如何利用原始信息生产出有用的变量。

　　融慧秘籍第一招：借力打力

　　征信信息对于金融机构的好处之一，就是能看到申请人在其他家的借贷历史。融慧秘籍“借力打力”就通过模拟申请人在其他金融机构的申请通过率，推算申请人的信用风险，节省测试时间。那么，衍生这个变量的大致思路如下公式（这个公式仅用于举例说明衍生变量加工思路，不代表真实变量加工过程）。
　　

                               
登录/注册后可看大图

　　融慧秘籍第二招：八面玲珑

　　不是所有带有逾期历史的人都是坏人，忘记还款后，立即补还的情况还是存在的。为了避免以偏概全，需对客户价值进行细分，各方面都需照顾到。在人行征信报告二代中，还款记录延长到了5年，而且增加了逾期金额等信息。通过分析客户在过去5年内的逾期行为记录，将不同逾期表现的客户进行细分，并加工为变量的难度将会提高。

　　

                               
登录/注册后可看大图

　　融慧金科 征信报告的贷记卡信息节选

　　融慧金科团队受一些金融机构的委托，完成了人行征信报告的衍生变量加工和建模项目，并最终交付了可喜的成果。

　　融慧金科与金融机构的合作流程如下：

　　1.创造模型中的X：利用上述“秘籍”，融慧金科团队帮助客户基于征信报告加工出来1万多个变量。

　　2.定义模型中的Y：同时，充分了解机构客户的业务类型、产品、客群特点、客户逾期表现及滚动率，定义出模型好坏标签。（若机构已有基于征信报告的策略，建议用已被征信策略筛选过的样本。）

　　3.开始建模：用Y标签进行建模，因为征信信息与信贷业务强相关，逻辑性较强，一般用逻辑回归方法（LR）进行征信模型建模。

　　4.模型验证：模型搭建完毕，下面就是检验变量区分度、可解释性和稳定性的时刻了。

　　1) 区分度验证：

　　融慧金科团队把模型分数按从大到小排序，然后，温柔又快速地，把他们平均切分为20组，再把逾期信息和分数一一对应好，就可以看到每组分数抓到的坏人和好人个数占比，这里有个指标可以描述模型抓住坏人的准确程度——KS。同类的区分度指标还有AUC、Gini等。

　　对多家金融机构进行专有征信评分建模，成功的模型效果可参考下图：当机构拒绝25%的申请人的情况下，捕获其中51% 的坏人。
　　

                               
登录/注册后可看大图

　　融慧金科 征信报告专有模型效果案例

　　金融机构需要在申请通过率和业务收益之间做一个平衡，来测算最适合自身业务要求的坏人捕获率及申请通过率。

　　2) 检验变量可解释性：

　　如果个人曾有逾期1个月，金额1619元的历史，还有两笔将近71万元的贷款未结清，而其他家总共授予约62万元的额度，已用额度约22万元等诸多信贷类信息，反映出了这个人负债在身，有轻微逾期历史的特点。此类信息为判断客户的信用风险和还款能力帮了大忙，因此基于征信报告做出来的模型，可解释性相比其他数据来说是相对较强的。

　　3) 稳定性验证：

　　小编认为，建模时并不追求算法的“高大上”与技术的“酷炫”，关键在于针对不同的数据源和不同的金融风控应用，能够把不同的算法和技术应用得恰到好处，避免过度拟合。一味迷信技术是行不通的，实验室中的好模型，实践中的差模型，太多了。

　　因此，在建造模型的过程中，不仅追求对数据的极致化挖掘，而且要将模型搭建得非常稳健，确保模型上线后具有足够的风险区分度和时效性。（建模是个技术活，更是个艺术活和良心活。)

　　经过了检查PSI（最常见的模型稳定度评估指标），或者在跨样本及跨时间窗口验证集上检查模型Gini和KS等步骤后，如果得到了一个表现稳定的模型，那么专有征信评分建模就基本可以完成了。

　　融慧金科作为一家提供风控解决方案的金融科技公司，凭借海量数据和多维度变量以及经验丰富的模型团队，搭建的模型区分度、稳定性和时效性效果显著，能够满足不同类型金融机构的个性化需求。未来，融慧金科将不忘初心，始终坚持客户至上，社会责任的理念，为客户提供卓越的用户体验，创造可持续的使用价值，为广大金融机构赋能。