Product Management Topics

Product Strategy

Cost Strategy
Differentiation Strategy
Focus Strategy
Quality Strategy
Service Strategy

Credit Risk Management

Credit score

Credit scoring models (scorecards)

FICO (Fair Isaac Corporation) Scores

支付历史
信用利用率
信用记录
信用使用
新信贷

The overall FICO score range is between 300 and 850. In general, scores in the 670 to 739 range indicate a “good” credit history and most lenders will consider this score favorable. In contrast, borrowers in the 580 to 669 range may find it difficult to get financing at attractive rates.

Credit Score	Description
760 - 849	Excellent
700 - 759	Great
660 - 699	Good
620 - 659	Average
580 - 619	Poor
below 579	Very Poor

VantageScore

高权重：付款历史
极端权重：年龄和信用类型
极端权重：信用利用率
中等权重：总余额
低权重：近期行为
极低权重：可用积分

Other Scores

Application Scoring

申请评分卡，用于信贷审批，用于贷前审批阶段对借款申请人的量化评估。

Behavior Scoring

行为评分卡，用于贷后管理，通过借款人的还款及交易行为，结合其他维度的数据预测借款人未来的还款能力和意愿。

Collection Scoring

催收评分卡，用于催收管理，在借款人当前还款状态为逾期的情况下，预测未来该笔贷款变为坏账的概率，由此衍生出滚动率、还款率、失联率等细分的模型。

Feature Selection

WOE(Weight of Evidence)

使用证据权重 (WoE) 方法转换所有自变量（如年龄、收入等）。该方法根据每个组级别的好申请人与差申请人的比例，衡量分组区分好坏风险的“强度”，并试图找到自变量与目标变量之间的单调关系。 $$ woe_i = ln(\frac{bad_i}{bad total} / \frac{good_i}{good total}), i=(1,2,…,10) $$ WOE 实际展现的是 “该分段下的好用户数和坏用户数的比值” 与 “好用户总数与坏用户总数的比值” 的差异。WOE 越大，差异越大，好用户的可能性越大。

同时 WOE 变换常应用于特征工程，当我们对某些特征变量进行等频或等距等分箱后发现，发现每级分段 WOE 不满足单调性时（大部分为离散型变量），进行 WOE 变换，即采用对应每分段的 WOE 值替换掉特征原始值，此时该特征的分布将会是单调的。

通过 WOE 变换，同时保持 WOE 曲线具备单调性，带来的好处在于特征值与 y 值具备正（负）相关性，例如我们定义坏用户为 1 时，特征值越大，预测为坏人的概率将越高。

IV(Information Value)

信息价值，它衡量自变量的预测能力，这对特征选择很有用。也就是说，当我们想要拿出证据证明“年龄”这个变量对于违约概率是否有影响的时候，可以使用这个指标评估年龄到底对违约概率的影响有多大。

Information Value	Predictive Power
< 0.02	Useless
0.02 - 0.1	Weak
0.1 - 0.3	Medium
0.3 - 0.5	Strong
> 0.5	Suspiciously good; too good to be true

Model evaluation

ROC (receiver operating characteristic) / AUC (area under curve)

一个越好的分类模型，ROC曲线越接近左上方，AUC也越来越接近1；反之，如果这个分类模型得出的结果基本上相当于随机猜测，那么画出的图像就很接近于左下角和右上角的对角线（random chance)，那么这个模型也就没什么意义了。

衍生出几个重要的评价指标：

准确率（Accuracy Rate）:(TP+TN)/N。
召回率（TPR,True Positive Rate）:TP/(TP+FN)。在所有实际是正样本中有多少被正确识别为正样本。
误报率（FPR,False Positive Rate）:FP/(FP+TN)。在所有实际为负样本中有多少被错误识别为正样本。
查准率（Precision Rate）：TP/(TP+FP)。被识别成正样本的样本中有多少是真的正样本。

K-S (Kolmogorov-Smirnov)

作为一个模型，我们当然希望这个模型能够帮我们挑选到最多的好客户，同时不要放进来那么多坏客户。K-S值就是一个这样思路的指标。比如，在完成一个模型后，将测试模型的样本平均分成10组，以好样本占比降序从左到右进行排列，其中第一组的好样本占比最大，坏样本占比最小。这些组别的好坏样本占比进行累加后得到每一组对应的累计的占比。好坏样本的累计占比随着样本的累计而变化（图中Good/Bad两条曲线），而两者差异最大时就是我们要求的K-S值（图中比较长的直线箭头的那个位置）。

KS值的取值范围是[0，1]。通常来说，值越大，表明正负样本区分的程度越好。一般，KS值>0.2就可认为模型有比较好的预测准确性。（这个值有评论指出比较低，可能由于不同的场景和要求下不同，仅作为参考）

GINI

还记得经济学中那个著名的基尼系数吗？下图应该可以让你回忆起来。将一个国家所有的人口按最贫穷到最富有进行排列，随着人数的累计，这些人口所拥有的财富的比例也逐渐增加到100%，按这个方法得到图中的曲线，称为洛伦兹曲线。基尼系数就是图中A/B的比例。可以看到，假如这个国家最富有的那群人占据了越多的财富，贫富差距越大，那么洛伦茨曲线就会越弯曲，基尼系数就越大。

同样的，假设我们把100个人的信用评分按照从高到低进行排序，以横轴为累计人数比例，纵轴作为累计坏样本比例，随着累计人数比例的上升，累计坏样本的比例也在上升。如果这个评分的区分能力比较好，那么越大比例的坏样本会集中在越低的分数区间，整个图像形成一个凹下去的形状。所以洛伦兹曲线的弧度越大，基尼系数越大，这个模型区分好坏样本的能力就越强。

PSI(Population Stability Index)

PSI叫做群体稳定性指标，用于衡量两组样本的评分是否有显著差异。PSI = sum(（实际占比-预期占比）*ln(实际占比/预期占比)

举个栗子，假设在训练一个评分模型时，我们将样本评分按从小到大排序分成10组，那么每组会有不同的样本数量占比P1；评分模型制作出来之后，我们试用这个模型去预测新的一组数据样本，按上面的方法同样按评分分成10组，每组也会有一定的样本数量占比P2。PSI可以帮助我们量化P1和P2，即预期占比与实际占比的差距。

这个指标同样也可以用于监测每月申请客户或成交客户的变化。

Credit Risk Strategies

最简单、最常见的信用风险策略形式是基于接受或拒绝决策的一维截止点。cut-off level（信用审批的最低分数）可以是一个固定值的硬 cut-off，也可以是可调整的值，具有多种处理方式，如无条件接受、有条件接受或拒绝。通常，贷方使用细分策略来识别跨客户群的不同截止水平；贷款人可以通过许多因素进行细分，包括区域、人口统计、渠道分布或以前拒绝的客户。截止水平取决于业务目标。
更复杂的信用风险策略有多个截止水平，或者结合两个或多个信用评分（例如内部申请评分和局评分）。通常，策略包括其他预测模型，如客户保留/响应率或客户生命周期价值。这些行为分数——结合政策和监管规则以及业务关键绩效指标 (KPI)——可以帮助组织利用预测分析和业务规则。
组织还可以使用基于风险的定价分数来调整利率、信用额度、还款期限等产品报价。基于风险的定价有多种形式：从基于损益分析的一维多截止处理（例如，接受下限），到结合两个维度的矩阵方法，例如行为评分和未偿余额来识别信用额度或利率。团队还可以采用矩阵方法进行简单的优化来控制运营成本。例如，结合两个预测模型——分数和响应率——可以帮助营销部门关注可能响应报价的低风险客户。