背景
信用是一切社会金融体系的根本，有了每个人的信用我们才可以进行放贷、共享充电宝、共享单车等业务。如果可以准确的给每个社会成员的信用做一个打分，将对金融业务的推进有很大作用，很多相关业务的企业也在探索如何实现信用分。
目前业内最通用的方案是评分卡算法，这个算法底层其实就是简单地二分类模型，将逻辑回归或者xgboost进行封装。但是为什么不能直接使用xgboost甚至深度学习算法做信用评估呢？因为金融业务有自己的特殊性，要求模型需要有强解释性，所以评分卡解决方案经常包含分箱和评分两个模块。就是为了做到每个分数的强解释性。
评分卡模型解释性
通过一个例子介绍什么叫强解释性。以下图为例：
这是一个评分卡算法的部分特征数据展示，有年龄、性别、婚姻状况、学历、月收入。评判每个人的分数也很容易：
客户分=基准分+年龄分+性别分+婚姻状况分+学历分+月收入分
所以在评分卡体系中，每个人的分数都会拆分成很多子模块，这些子模块的分数的和，跟基准分加到一起就是信用评分。接下来介绍下评分卡的执行流程。
评分卡流程
1.数据准备
通常评分卡模型的数据需要包含四个方面，分别是客户统计信息、账户属性、消费行为和还款行为。
根据数据目标的不同，可以分为ABC三种评分卡：
- 贷前：申请评分卡（Application score card），又称为A卡
- 贷中：行为评分卡（Behavior score card），又称为B卡
- 贷后：催收评分卡（Collection score card），又称为C卡
2.分箱
分箱算法是将每个字段按照不同的模式进行离散化处理。分箱有很多模式，分为有监督模式和无监督模式。
- 有监督分箱：通过训练二叉树模型，将IV大的切分点找出来实现分箱
- 无监督分箱：利用等频、等距等模式进行分箱
分箱出来的分箱结果需要进行评估，并且不断调整分箱。评估方式是要计算WOE和IV指标。
WOE指的是该组好的客户和所有好的客户的比例，WOE的值最终会影响IV的值，IV的公式：
IV的值越大，说明这个分箱模式对结果的预测越重要，所以分箱的目的是尽可能的提升每组分箱结果的IV值。
通常分箱算法会提供一个WOE和IV的展示图：
3.评分算法
评分算法相对就比较简单，其实就是训练一个逻辑回归或者XGboost模型，将模型系数跟对应的分箱的WOE值做加权。
其中A是个基准分，B为常量，模型系数和WOE值组合成了剩下的变量和。最终通过评分算法将每个人的分数映射到一个合理的区间，所以评分区间的设定主要是调整A的取值，比如我们希望每个人的信用分都是500左右，就可以把A调整为500。最终的评分卡方案就是分箱+打分模型。
参考文献：
[1]https://zhuanlan.zhihu.com/p/36539125
[2]https://blog.csdn.net/ISMedal/article/details/89380396
[3]https://www.jianshu.com/p/c3fa53c54cca