一、什么是評分卡

1.1.什么是評分卡

評分卡，一般是指用于小貸客戶質量評分的評分卡表。
評分卡樣式如下：

來了一個新客戶，先根據客戶的數據，判斷客戶在各個特征上屬于哪一組
然后在評分卡表中找到對應的分數，對所有特征得分求和，并加上基本分，就是客戶的總評分
假設客戶在rev、due30、due90、city上的組別為【0、3、1、1】
那么客戶在rev、due30、due90、city上的得分為【28、-30、-20、5】
則客戶的總得分為28-30-20+5+780=763

1.2.評分卡有哪些

針對評分的使用不同場景，一般分為A、B、C、F卡

• A卡：Application scorecard,申請評分卡
  A卡用申請數據，建立模型，評估用戶是否會壞賬
  作用：用于審批放款
• B卡：Behavior scorecard,行為評分卡
  C卡作用于借貸中的客戶。加入貸后還款等行為數據
  多種作用：可用于老客戶提額
• C卡：Collection scorecard,催收評分卡
  作用于借貸中的客戶
  作用：預測用戶是否會逾期，提前催收
• F卡：(Fraud scorecard)：欺詐評級評分卡
  作用于申請階段，針對欺詐客戶的判斷

二、評分卡怎么弄出來的

2.1.如何制作評分卡

評分卡建模的思路與流程如下： 先在原始數據中，衍生并選擇出建模的變量， 然后用建模變量與好壞客戶標簽建立邏輯回歸模型。這樣就能通過建模變量預測樣本是壞客戶的概率，最后，把邏輯回歸模型的線性部分抽取出來，生成評分卡。
最后的最后，還需要分析當前業務應以哪個分數作為拒絕客戶的臨界值，以臨界值作為評分閾值。

2.2.制作評分卡的流程

1. 建模數據準備
   數據準備主要是建模之前，對原始數據進行分箱與變量分析
   篩選出與客戶質量相關的變量，作為建模的輸入特征
2. 建模
   (1)數據預處理：歸一化，并預留測試數據
   (2)用逐步回歸選出盡量少的特征(同時保持建模效果)
   (3)訓練邏輯回歸模型
   (4)檢驗AUC是否達標，并檢查系數是否都為正
3. 制作評分卡
   制作評分卡也俗稱“模型轉評分”
   將3中得到的邏輯回歸模型，制作成評分卡表
4. 確定評分閾值
   確定生產上判定為壞客戶的分數閾值
   當分數低于該閾值時，就拒絕客戶

三、變量的分箱

在構建評分卡之前，需要先對變量進行分析與分箱，并選擇出有效的變量作為建模變量。

3.1.數據介紹

bbbrisk自帶的小貸數據共包含10個變量與客戶好壞標簽，數據包含的10變量和標簽如下：

數據共2萬條，示例如下：

3.2.變量自動分箱

變量的分箱可以使用算法進行自動分箱，常用的分箱算法有：等頻分箱、等距分箱、決策樹分箱、KS分箱和卡方分箱等等。
bbbrisk包提供了bins.autoBin函數來對多個變量進行自動分箱，具體代碼如下：

import  bbbrisk  as br# 加載數據                                                                     
data = br.datasets.load_bloan()                                      # 加載數據
x = data.iloc[:,:-1]                                                 # 變量數據
y = data['is_bad']                                                   # 標簽數據# 自動分箱
bin_sets  = br.bins.batch.autoBins(x, y,enum_var=['city','marital']) # 自動分箱,如果有枚舉變量,必須指出哪些是枚舉變量
bin_stats = br.bins.batch.bin_stats(x,y,bin_sets)                    # 統計各個變量的分箱情況
br.display.pd.set(width=300,max_colwidth=30,max_rows=30)             # 美化pandas的顯示方式
for var in bin_stats:                                                # 逐個變量打印分箱結果print('\n變量'+var+'的分箱結果:\n',bin_stats[var])               # 打印當前變量的分箱統計結果# 選擇iv足夠大的變量
select_bin_set = {}                                                  # 初始化選擇的變量的分箱
for var,stat in bin_stats.items():                                   # 逐個變量循環if (stat['iv'].iloc[-1]>0.1):                                    # 當前變量的iv值是否滿足要求select_bin_set[var] =  bin_sets[var]                         # 如果滿足,則添加到選擇池
print('\n iv > 0.1 的變量與分箱結果:\n',select_bin_set)              # 最終選擇的變量的分箱

通過以上的代碼，就對變量進行分箱了，它的結果如下：


…

3.3.變量的篩選

一般來說，需要通過iv值來篩選出有效的變量。
IV全稱為信息價值(Information Value)，它常在評分卡中用于篩選變量。IV的原理是通過評估好、壞樣本在變量分布上的差異，從而評估變量對y的信息價值。
IV值越高，變量的價值越高，一般來說，IV值與變量對好壞客戶的區分度的關系如下：
IV < 0.02 ：幾乎沒有區分度，
0.02 <= IV < 0.1 ：有微弱的區分度；
0.1 <= IV < 0.3 ：有明顯的區分度；
0.3 <= IV ：較強的區分度
通考上述的值，來篩選出有效的變量。在本例中，所有變量都是有效的。

四、構建評分卡

在完成變量分箱后，就可以直接使用bbbrisk的評分卡包來構建評分卡，以及打印相關報告
如果沒有bbbrisk的包，需要先通過pip安裝

pip install bbbrisk

4.1.評分卡實現代碼

用bbbrisk構建評分卡的具體代碼如下：

import bbbrisk as br#加載數據                                                              
data = br.datasets.load_bloan()                                        # 加載數據
x = data.iloc[:,:-1]                                                   # 變量數據
y = data['is_bad']                                                     # 標簽數據# 構建評分卡
bin_sets  = br.bins.batch.autoBins(x, y,enum_var=['city','marital'])   # 自動分箱,必須指出哪些是枚舉變量
model,card = br.model.scoreCard(x,y,bin_sets)                          # 構建評分卡
score      = card.predict(x[card.var])                                 # 用評分卡進行評分
# 打印結果
print('\n-----【 模型性能評估 】----')
print('* 模型訓練AUC:',model.train_auc)                                # 打印模型訓練數據集的AUC
print('* 模型測試AUC:',model.test_auc)                                 # 打印模型測試數據集的AUC
print('* 模型訓練KS:',model.train_ks)                                  # 打印模型訓練數據集的KS
print('* 模型測試KS:',model.test_ks)                                   # 打印模型測試數據集的KSprint('\n--------【 模型 】---------')                                 
print('* 模型使用的變量:',model.var)                                   # 模型最終使用的變量
print('* 模型權重:',model.w)                                           # 模型的變量權重
print('* 模型閾值:',model.b)                                           # 模型的閾值print('\n--------【 評分卡 】---------')    
print('\n* 特征得分featureScore:   \n' ,card.featureScore      )       # 特征得分
print('\n* 基礎得分baseScore:        ' ,card.baseScore         )       # 基礎分

運行結果如下：

可以看到，通過簡單的代碼，就可以得到評分卡模型的AUC/KS，以及模型的參數、評分卡表。

4.2.評分卡表

card.featureScore和card.baseScore里分別存放了特征得分與基礎，兩者合并后就是最終的評分卡表，如下：

4.3.閾值表與分數分布圖

閾值表與分數分布圖，可以進一步使用report.get_threshold_tb來計算閾值表，以及用report.draw_score_disb則用于繪制分數分布圖。代碼如下：

# 計算閾值表與分數分布圖
thd_tb    = br.report.get_threshold_tb(score,y,bin_step=10)                    # 閾值表
br.report.draw_score_disb(score,y,bin_step=10,figsize=(14, 4))                 # 分數分布

評分閾值表的結果如下：

樣本的分數分布結果如下：

好了，以上就是如何制作一個評分卡了。
更多可以參考：
【1】老餅講解-評分卡
【2】bbbrisk評分卡API說明