如今在銀行，P2P等各種貸款業務機構，普遍使用信用評分，對客戶實行打分制，以期對客戶有一個優質與否的評判。但是不是所有人都知道信用評分卡還分A,B,C卡三類！所以，如果你只知道ABC是Gary的ABC湯，那就趕緊來補習下這些知識吧~~
A卡（Application score card）申請評分卡
B卡（Behavior score card）行為評分卡
C卡（Collection score card）催收評分卡
三種卡的介紹，請直接看這篇文章：比較全面的說了三種打分機制。
梁世棟博士的《行為評分和貸后風險管理研究》http://www.docin.com/p-516772778.html
這三種打分機制的區別在於：
1.使用的時間不同。分別側重
貸前、貸中、貸后；
2.數據要求不同。
A卡一般可做貸款0-1年的信用分析，B卡則是在申請人有了一定行為后，有了較大數據進行的分析，一般為3-5年，C卡則對數據要求更大，需加入催收后客戶反應等屬性數據。
3.每種評分卡的模型會不一樣。在A卡中常用的有
邏輯回歸，
AHP[層次分析法（Analytic Hierarchy Process，簡稱AHP）]等，而在后面兩種卡中，常使用
多因素邏輯回歸，精度等方面更好。
3.檢測評分卡中客戶群的
特征變化，已經這些變化對評分卡分值的沖擊。
2.計算
某些特定參數，用以觸發某些行動，比如重建評分卡、重設臨界值或調整評分卡刻度；
1.判斷評分卡的
實際表現，並與開發階段的
預期對比；
檢測與報告：
拒絕演繹：評分卡開發使用的是審批通過且運行一段時間的賬戶數據，已經表現出正常或違約的賬戶狀態。拒絕演繹是嘗試去分析可能會違約並在評分卡開發前已經被拒絕的賬戶。
9.評分卡的實施：不同業務部門使用評分卡前，需要將評分卡轉換為可實施代碼，確定最終得分的臨界值，以對應所需的業務行動。
8.評分卡創建和刻度：logistics回歸模型建立並通過檢驗后，轉換為標准評分卡的形式
4.必須
有意義，在業務變量和預測值方面是
可解釋的。
3.必須
簡單；
2.必須
穩健，能接受更廣范圍的數據集；
1.必須達到
可接受的准確性水平；
7.模型驗證：
6.模型開發：基於
logistics回歸模型
5.變量選擇：只選擇表現出
較強預測力的變量，減少變量的數量
（關於數據准備的內容參考Refaat M.(2006)《Data Preparation for Data Mining Using SAS》
4.評分卡中所有變量都要進行證據
權重（WOE）轉換，對變量轉換前，需要減少分類變量的基數，需要將連續變量分段。
3.需要進行大量的數據清洗和轉換工作；
2.創建包含開發評分卡模型所需的所有要素的唯一數據集；
1.
耗時長，最重要；
4.數據准備：
3.通過列聯表、關聯性和相關性指標確定不同變量之間的檢驗關系。
2.要素分析：計算每個候選預測變量分類或分段條件下的違約率分布；
1.候選預測變量的單變量統計特征評價，取值在變量范圍內的分布；
3.EDA與數據描述（主要是檢查數據並理解其特征）：
2.對於外部數據的使用，注意合理選擇外部數據供應商。
1.對於內部數據的使用，注意賬戶和客戶的區別，多個客戶會使用一個聯名賬戶joint accounts；
2.數據獲取和整合：
4.設計項目管理計划，對時間、資源、人員進行管理。
3.識別數據的范圍和來源，內部還是外部，確保能得到數據；
2.確定計划評分卡的范圍，開發和實施窗口；
1.在具體業務或信貸歷史的認識基礎上，確定違約和正常的定義；
1.問題准備：
評分卡的開發流程：
5.對各個變量的不同取值范圍賦予一定分數，使消費者清楚如何提高信用分。
4.各項變量的簡單加法容易在各平台中實現；
3.比率odds ratio的使用；
2.每項加總得到信用分數使信用分數更透明；
1.易於理解；
標准評分卡的優勢：
3.若得分在兩者之間，則該賬戶需要人工干預（要求提供額外信息如工資證明等）。
2.若得分大於Sh，則該賬戶為正常；
1.若得分小於Sl，則該賬戶為違約；
關於賬戶的不確定值：
狀態變量中：1表示違約，0表示正常
正常和違約的標准取決於逾期，一般設置60天、90天或180天的口徑。
4.審查貸款定價和貸款條件。
3.制定清收策略（若違約）；
2.審查信用額度；
1.審查信用重建；
2.行為評分卡的評分結果更精確，因為基於更多交易數據：
4.貸款定價（利率水平）。
3.貸款額／信用額度；
2.抵押物；
1.估計的信用狀況；
1.申請評分卡的評分結果將決定：
評分卡分兩類：申請評分卡（批准前）和行為評分卡（批准后）：
打分卡技術的核心原理是使用一組變量，通過變量取值得到一個客戶信用評分，該評分后面對應的實際上是好壞比，比如國際有名的FICO評分680分對應的好壞比是144:1。對銀行來說，掌握了好壞比率，就明確了未來的盈利情況。舉例來說，假定銀行當前客戶群的好壞比率是20/1，即21個人中20個是好的，一個是壞的。對這個人群發放貸款，必須通過20個人的收入來抵消1個壞客戶的支出（假定壞賬戶本金全部損失），以最后利潤率3％計算，經過計算，可以得到最低放貸利率為8.15%，即對這個人群必須用8.15%的利率才能得到期望的理論收益；同樣的方法可以算出，對好壞比率80/1的客戶群，其利率是4.2875%。打分會有偏差，好比價值和價格出現偏差一樣。
3.打分卡使用
打分卡使用場合很多，包括營銷評分、申請評分、行為評分、回款催收評分等等，按照具體的產品還可以分為信用卡、車貸、房貸、經營性貸款評分等等，還有按照不同地域的評分等等。根據不同的業務戰略，打分卡的各項參數要做設定，打分卡的使用比打分卡開發更重要。
4.打分卡開發
打分卡開發方法，包括邏輯回歸、神經網絡、決策樹、馬爾科夫鏈、生存分析等等，用的最多的，還是傳統的邏輯回歸，采用邏輯回歸的打分卡開發基本流程大致為選取樣本、定義好壞標准、尋找可用變量、選擇變量、評分模型開發、設置取舍點（cutoff）六個過程，其主要工作量在前面幾部。打分卡模型一般包含15個左右變量，這是由於變量之間一般都會有耦合(耦合是指兩個或兩個以上的電路元件或電網絡等的輸入與輸出之間存在緊密配合與相互影響，並通過相互作用從一側向另一側傳輸能量的現象.耦合效應(Coupling Induction),也稱互動效應,聯動效應)，比如職務和職稱，職務高的人一般職稱也高，但不應該重復計算。如果變量太多，去掉變量間耦合會比較困難，也會使模型不穩定，某個變量的小小變化可能導致分值變化很大。
運用信用評分卡需要注意的問題
1、開展信用卡業務的歷史要長。
評分卡的發展必須以歷史數據為依據，如果銀行剛開始發行信用卡，還沒有歷史數據，或雖然已經發卡，但歷史太短，數據不充分，則不具備開發評分卡的條件。
2、發展信用評分卡需要大量的數據，而且數據的質量要好。(數量＋質量)
如果數據很少，不具有代表性或數據質量很差，有很多錯誤，那么基於該數據的評分卡就不會准確，那么申請評分卡的發展就會受到制約。
3、數據的保存要完整
銀行必須把歷史上各個時期申請該信用卡的客戶申請表信息、當時的信用報告記錄、開戶的信用卡賬戶表現好壞等數據保存起來，不僅所有被批准的客戶的數據要保存，被拒絕的申請者數據也應該保存，以進行模型的表現推測。而且，保存的數據不僅要足以提煉出各種預測變量，還要能夠辨別其表現（好、壞等）。
4、申信用評分卡只是提供了決策依據，不是決策本身。
信用評分卡並不能告訴審批人員某個客戶一定是好的或壞的，它只是告訴我們一定的概率，因此，對於有些客戶的申請審批決定就必須綜合信用報告等其它信息作出判斷。
5、一張申請評分卡很難滿足整個人群，需要針對不同人群建立單獨的評分卡。（千人千面，分層）
由於我行客戶分布在全國各地，存在着較大的地域差別，各地區經濟發展也存在着較大差別，客戶消費習慣有較大差異，如果使用一張申請評分卡就會造成信用評分的不真實。
6、時間越久，信用評分卡的有效性會降低，因為經濟環境、市場狀況和申請者、持卡者的構成在不斷變化，使得樣本人群的特質和屬性發生改變，特別是在經濟高速發展的階段，人群的生活方式、消費習慣、經濟狀況等變化很快，申請評分模型在應用一段時間后通常會與初期模型產生偏移，所以需要適當重新調整，必要時還要重新開發，以保證信用評分卡的有效性。
