前言：

本篇文章上接《申請評分卡簡介》，有需要的童鞋可以參考下：https://blog.csdn.net/qq_16633405/article/details/107744921

下面介紹下A卡的開發步驟。

開發過程

1、評分卡模型開發步驟：

1、立項：場景（營銷、信貸領域）、對象（個人、賬戶、公司）、目的（程度決策、流失預警、反欺詐等等）
2、數據的準備與預處理（賬戶，客戶，內部外部數據）
3、建模的構建（邏輯回歸VS機器學習，單一模型VS 集成模型）
4、模型評估（區分度，預測性，穩定性）
5、驗證（是否有計算錯誤，邏輯錯誤，業務錯誤）
6、部署（從開發環境到生產環境、容量、并發度）
7、監控（性能是否減弱，是否需要重新訓練等）

2、申請評分卡常用的模型

邏輯回歸
優點：簡單，穩定，可解釋，技術成熟，易于監測和部署
缺點：準確度不高
決策樹
優點：對數據質量要求低，易解釋
缺點：準確度不高
其他元模型
組合模型
優點：準確度高，不易過擬合
缺點：不易解釋；部署困難；計算量大

3、貸款申請環節的數據介紹和描述

申請評分卡常用的特征
1、個人信息 ：學歷（核查學歷） 性別 收入（流水、社保、公積金來側面查看）
2、負債信息 ：在本金融機構或者其他金融機構負債情況 （在房貸、信用卡領域應用較多）
3、消費能力 ：商品購買紀錄，出境游，奢侈品消費 （）
4、歷史信用記錄 ：歷史逾期行為 （第三方接口查看）
5、新興數據： 人際社交 網絡足跡 出行 個人財務（人際社交：通過與老賴的關系來判斷他的人品（即還款意愿）；出行：通過看這個人的出行交通工具判斷這個人的經濟能力（還款能力））
1、4可以看出還款意愿；2、3可以看出還款能力。還款意愿*還款能力=評分卡分數等級

4、A卡用到的字段介紹

字段	名稱
member_id	ID
loan_amnt	申請額度
term	產品期限
int_rate	利率
emp_length	工作期限
home_ownership	是否有自有住宅
annual_inc	年收入
verification_status	收入核驗狀態
desc	描述
purpose	貸款目的
title	貸款目的描述
zip_code	聯系地址郵政編碼
addr_state	聯系地址所屬州
delinq_2yrs	申貸日期前2年逾期次數
inq_last_6mths	申請日前6個月咨詢次數
mths_since_last_delinq	上次逾期距今月份數
mths_since_last_record	上次登記公眾記錄距今的月份數
open_acc	征信局中記錄的信用產品數
pub_rec	公眾不良記錄數
total_acc	正在使用的信用產品數
pub_rec_bankruptcies	公眾破產記錄數
earliest_cr_line	第一次借貸時間
loan_status	貸款狀態—目標變量

5、非平衡樣本問題的定義和解決方法

非平衡樣本的定義
在分類問題中，每種類別的出現概率未必均衡
例：

• 信用風險: 正常用戶遠多于逾期/違約用戶
• 流失風險: 留存客戶多于流失客戶

非平衡樣本的隱患

• 降低對少類樣本的靈敏性

非平衡樣本的解決方案
過采樣（對數據采集過多）

• 優點: 簡單，對數據質量要求不高 （注意總結下各個算法對數據的要求）
• 缺點: 過擬合

欠采樣 （對數據采集過少）

• 優點: 簡單，對數據質量要求不高
• 缺點: 丟失重要信息

SMOTE(合成少數過采樣技術)

• 優點: 不易過擬合，保留信息
• 缺點: 不能對有缺失值和類別變量做處理

6、數據預處理

數據格式的處理原始數據帶有一定的格式，需要轉換成正確的格式。
例如：
利率

• 帶%的百分比，需要轉化成浮點數

日期

• Nov-17，需要轉化為python的時間

工作年限

• “<1 year”轉化成0，“>10years”轉化成11

文本類的數據的處理方式

主題提取（NPL）
優點：提取準確、詳細的信息，對風險的評估非帝有效
缺點：NPL的模型較為復雜，且需要足夠多的訓練樣本
編碼
優點：簡單
簡單缺點：信息丟失很高

缺失值的處理
缺失在數據分析的工作是頻繁出現的。
缺失的種類

• 完全隨機缺失
• 隨機缺失
• 完全非隨機缺失

處理的方法

• 補缺（平均值、或依據變量間的關系補充）
• 作為一種狀態
• 刪除記錄或變量

7、構建特征

常用的特征衍生

• 計數：過去1年內申請貸款的總次數（手機聯系人數量、通話記錄來推斷這個人的一些信息：如通話記錄多聯系人多則證明這個人搞業務的）
• 求和：過去1年內的網店消費總額
• 比例：貸款申請額度與年收入的占比
• 時間差：第一次開戶距今時長
• 波動率：過去3年內每份工作的時間的標準差

8、特征分箱（是對每一個特征進行分箱）

特征的分箱（為什么要分箱）
分箱的定義
將連續變量離散化（將連續的變量分為多個離散的類別將特征分類別即收入1000-5000之間為一箱即一個類別）
將多狀態的離散變量合并成少狀態（盡可能的減小類別的數量）
分箱的重要性

• 穩定性：避免特征中無意義的波動對評分帶來的波動（如工資的浮動增減）
• 健壯性：避免了極端值的影響

分箱的優勢

• 可以將缺失作為獨立的一個箱帶入模型中
• 將所有變量變換到相似的尺度上

分箱的限制

• 計算量大
• 分箱后需要編碼
  

總結

后續會詳細的介紹各種分箱的方法對應的原理，以及特征篩選對應的方法及原理等相關內容。爭取把數據挖掘流程中常用的方法做一個統一的整理。
對應的代碼詳見：
https://github.com/645187919/financial_score_card