信用卡通不過？用數(shù)據(jù)分析技術(shù)，帶你深度解析信用卡評分體系

隨著互聯(lián)網(wǎng)金融時代的到來，信用評分體系顯得越發(fā)重要，本文就解讀信用卡評分體系是如何建立的。

客戶信息涉及到很多因素，因此許多因素無法在機器學習模型中進行探討，這里收集了大部分互聯(lián)網(wǎng)金融公司在信用卡申請時能獲取到的信息。

目標

1. 使用機器學習構(gòu)建信用卡評分模型，獲得自變量分箱結(jié)果；

2. 并由評分模型得出最優(yōu)的cutoff值，并對模型進行評價；

3. 再由新的樣本集對評分卡進行測試，輸出預測結(jié)果。

數(shù)據(jù)

我使用了Kaggle的兩個數(shù)據(jù)集。

Kaggle數(shù)據(jù)集鏈接：

https://www.kaggle.com/yuzijuan/credit-card-scoring/data

環(huán)境和工具：

Rstudio，plyr，rJava，smbinning，prettyR

我首先對兩個數(shù)據(jù)集進行探索性分析，剔除掉無法納入模型的變量，例如ID，取值為空的變量，取值僅為一類的變量等；再探索配偶收入變量問題時，由于值絕大部分為0，將該變量變?yōu)槎诸愖兞?，取值為有收入與無收入；針對異常值過大的變量，采用蓋帽法，用99分位點值代替極大異常值，有1分位點值代替極小異常值等等方法，數(shù)據(jù)清洗完后，再用smbinning包進行cart分箱，帶入評分卡模型，獲得評分卡，最后將其運用到測試集上。

開始

首先，導入必要的庫和數(shù)據(jù)集，進行探索性數(shù)據(jù)分析，并剔除掉無法納入模型的變量。

導入庫

導入數(shù)據(jù)

剔除無法納入模型的變量

由于評分卡模型一般分數(shù)越高，表示信用越好，故需要將信用好的類別得分記為1，信用不好的類別得分記為0。

為更有效分箱，獲取了因子型變量集factorval和數(shù)值型變量集numericval，分別進行分箱處理。

數(shù)值型變量分箱

為更有效進行數(shù)據(jù)處理，對異常值可以進行蓋帽法處理，代碼如下：

以年齡數(shù)值型變量舉例說明，首先查看數(shù)據(jù)分布情況，由于是因變量為二分類，自變量為數(shù)值型，用t檢驗來檢驗兩分布是否有顯著性差別，有顯著性差別才能進行分箱，否則分箱結(jié)果無意義。

分布情況如上圖所示，可以對其進行蓋帽法后再t檢驗和分箱處理。t檢驗的原假設為兩分類組的均值相等，結(jié)果表明原假設被拒絕，認為兩分布具有顯著性差別，可以進行分箱。

用的是smbinning包，這個包中采用的是CART回歸樹進行屬性劃分，數(shù)值型用函數(shù)smbinning()，由樹的結(jié)果可知，劃分點為19，22，32，37，46、59六個值，劃分為7個屬性區(qū)間。

AGE的IV值為0.2004，對AGE的WOE值畫圖，得到分布呈現(xiàn)單調(diào)趨勢，表明分箱結(jié)果良好，可以納入模型。

用AGE進行分箱的代碼如下：

類推其他連續(xù)變量。通過調(diào)用numericalval可知共有7個數(shù)值型變量，由于兩個數(shù)值型變量取值過于集中，后續(xù)將作為分類變量處理，故得到5個變量的IV值。

因子型變量分箱

以性別分類變量舉例說明，首先對性別變量中的異常值進行處理，這種類別變量一般將異常值歸為多數(shù)這類。查看分布情況可知女性的守信情況似乎比男性好一些。性別變量的WOE值區(qū)分得也很明顯。

在進行分箱之前同數(shù)值型變量一樣，要檢驗兩分布是否有顯著性差別，由于因變量和自變量均為分類變量，故用卡方檢驗。原假設為兩分布之間無顯著性差別，卡方檢驗結(jié)果表明拒絕原假設，認為兩樣本有顯著性差別，可以進行分箱。

分類變量分箱也采用的是smbinning包，不過smbinning包中就是用原分類值進行屬性劃分，未對劃分屬性處理，分類變量用的函數(shù)是smbinning.factor()，最后得到SEX的IV值為0.0274。具體執(zhí)行代碼如下：

再以配偶收入舉例說明，這個變量原本是數(shù)值型變量，由于取值過于集中到0，故將該變量轉(zhuǎn)化為分類型變量再處理，處理方式是將取值為0的作為無收入，將取值大于0的作為有收入。

得到混淆矩陣可以看出，有收入的似乎比無收入的守信情況好一些，WOE圖的區(qū)別也較為明顯。

通過卡方檢驗也可以看出，是否有收入對信用好否有顯著性影響，可以進行分箱操作。最后分箱得到IV值為0.0206。具體代碼如下：

類推到其他因子型變量，計算出得到所有變量的IV值，存入creditivs中。

建立評分卡

得到所有可分箱變量的IV值，一般認為IV值大于等于0.02的對構(gòu)建評分卡具有一定的幫助，故以0.02為分界點得到滿足條件的變量。最后納入評分卡模型的變量分別是年齡、工作時長（月）、個人收入、性別、婚姻狀態(tài)、是否有自用手機、配偶是否有收入。

最后7個自變量的IV值的分布情況如下，可以看到年齡、婚姻狀態(tài)、工作時長、是否有自用手機這幾個變量的IV值較大，表明這幾個變量對預測結(jié)果影響較大。

數(shù)值型分箱變量用函數(shù)smbinning.gen()，因子型變量用函數(shù)smbinning.factor.gen()，可以生成分箱后的結(jié)果，分箱后生成的新列并因變量得到data2數(shù)據(jù)集，通過邏輯回歸，建立評分卡模型。通過邏輯回歸結(jié)果可以看出分箱后的變量都較為顯著，表示分箱結(jié)果優(yōu)良。

生成評分卡是用函數(shù)smbinning.scaling()，通過調(diào)節(jié)pdo,score,odds三個參數(shù)，使得評分卡最大值與最小值位于一個較好的范圍。這里評分卡的區(qū)間為（389,888）。

最后保存為新的csv文件，評分卡就做好了。具體代碼如下：

評分卡展示如下，points表示為評分卡的分值。如年齡在45歲的客戶，得分為166分。

最后，你總得告訴領(lǐng)導或者同事，到底大于等于多少時，我們認為是好客戶，這時還有最后一步，就是求cutoff值，將訓練數(shù)據(jù)通過函數(shù)smbinning.scoring.gen()可以得到客戶的得分，由于訓練數(shù)據(jù)本身有是否違約這個變量，那么cutoff值有兩種選擇方式，第一種基于業(yè)務發(fā)展現(xiàn)狀，即公司是需要盈利增收，還是公司需要控制風險，然后商議討論選擇一個cutoff值。下圖為客戶得分與客戶違約的箱體圖，1表示好客戶，0表示壞客戶，可以看出好客戶的得分值會高于壞客戶的得分值。

對客戶得分與客戶違約做t檢驗，檢驗結(jié)果表明，兩分布具備顯著性差別，可以認為好客戶和壞客戶的得分會有顯著性差別。壞客戶的得分集中在578分附近，好客戶得分集中于620分附近。

第二種獲得cutoff值的方式就是電腦自動計算最優(yōu)cutoff值，用的函數(shù)smbinning.metrics()，從輸出的報告可以看出，最優(yōu)cutoff值為615，這樣劃分的話，ROC曲線的AUC值為0.657，不算特別優(yōu)良，準確率（precision）達到87.8%。

具體執(zhí)行代碼如下：

預測

針對新樣本，我選擇用Excel工具獲得信用評分，使用VLOOKUP函數(shù)可以很方便地得到想要的數(shù)據(jù)，評分展示如下，選擇cutoff值為615，這里認為（600,620）的客戶為關(guān)注客戶，信用情況中等，620分以上的客戶信用情況良好，600分以下的客戶信用情況堪憂。

分別用！、√、×來表示中等、優(yōu)良、較差的信用情況。

結(jié)語

本案例不足之處在于：

1. 未對職業(yè)代碼、商店等級代碼等信息進行提煉，可能會忽略掉一些有可能對模型有影響的變量。

2. Smbinning包在數(shù)值型變量分箱這一塊很強大，但是對分類變量分箱結(jié)果不太盡如人意，可以考慮其他分箱方法。

3. 可以整合更多模型，從而提高預測準確率。