評分卡模型是一個"預測"模型，預測的對象是未來一段時間的違約的概率。
（1） 未來
（2） —段時間
（3） 違約
預測需要的信息是當前及過去一段時間的信息。
兩個要素：
（1） 當前及過去
（2） 一段時間
假設我們基於今天某批申請者的信息來建立評分卡模型預測未來一
約概率，這是不可能的，因為我們沒有開"上帝之眼"，不知道這批違約行為。
所以，只能拿那些己經有了完整的表現期的歷史申請數據來做模型。
假設今天是2017-4-16,那么2016-4-16的申請者（並且是成功放貸的）的一年表現期已經知道
表現期為2016-4-16~2017-4-16，那么觀察期就是2016-4-16以及之前的一段時間的窗口。
- - 觀察期：構造特征的時間窗口。就是時間軸左側，主要是用來生成用戶特征的時間區間，不宜太長也不宜太短，一般為1年到3年左右
- - 觀察點：這個點並是一個具體的時間點，而是一個時間區段，表示的是客戶申請貸款的時間，用來搜集那些用來建模的客戶樣本，在該時間段申請的客戶會是我們用來建模的樣本
- - 表現期：定義好壞標簽的時間窗口，如果在該窗口觸發壞定義，就是壞樣本，反之就是好樣本。時間區段，一般是6月到1年左右，一般最常用的是定義為壞樣本的指標有：M3+逾期、M3以內逾期中定義為失聯、欺詐、身份盜用等情況，這些需要看自身業務情況而定
補充說明：
1.觀察點的設計：
觀察點的設計有額外的講究，其中涉及到一個Mob的概念。而所謂Mob，全稱month on book，等於觀察點減去貸款發放時間。所以，觀察點的設計在於貸款發放時間往后推Mob期，Mob的長短關系到模型的觀察期以及觀察期生成的時間切片變量。
2.觀察期過長或過短的影響：
- 一個過長的觀察期，可能會導致客戶不在你的mob內，大批樣本無法進入模型
- 一個過短的觀察期，則會導致樣本無法生成足夠多有效的時間切片變量
3.時間切片變量：
- 時間區段的行為變量，例如過去3個月平均消費金額、過去6個月消費平均次數等
舉例說明
假如，現在我們的模型表現期為1年，觀察期為1年，觀察點為什么時候呢？也就是說當我們有一個客戶在2018-1-1號來申請貸款，貸款機構需要用現有的模型對該申請人進行一個申請評分，評估他未來表現期內觸發壞樣本屬性的概率，那么該模型采用的客戶樣本是什么時候申請進件的？
答案：因為上面定義的表現期是1年，那么往前推一年，觀察點大概為2017-1-1號左右某段時間區間，因為觀察期也是1年，所以再往前推1年（即觀察期：2016-1-1到2017-1-1），利用這1年(即：2016-1-1到2017-1-1)所有觀察點內申請人一些信息建立模型的觀察變量，然后再往后推一年（即表現期：2017-1-11到2018-1-1），所有在觀察點內的申請人在這一年時間內(即2017-1-11到2018-1-1)的表現情況來定義違約。然后來訓練出一個模型。對2018-1-1號的申請人進行評分。所以申請評分卡模型有着天然的滯后性，需要不斷的對其模型進行監控。