1.4 评分模型与评分卡模型
评分模型和评分卡模型这两个概念既有联系也有区别，下面分别进行介绍。
1.4.1 评分模型和评分卡模型的定义
1. 评分模型
通过量化建模输出的具备一定的预测性和排序性的评分被称为评分模型。评分模型最终输出一个评分，但不一定输出评分卡，例如基于LightGBM的评分模型预测的违约概率（Probability of Default，PD）和异常检测中的LOF指标评分，二者都不能输出评分卡，但可以输出最终评分，且评分具有预测性和排序性。
2. 评分卡模型
评分卡模型可以通过量化建模产出评分卡，评分卡给出各评分维度的分值。评分卡模型按建模方式分为专家评分卡模型和数据驱动评分卡模型两种。
一般情况下，并不需要对这两个概念做特别区分。
1.4.2 评分卡模型的分类
评分卡模型本身是通用的工具，结合不同的应用场景，会有不同的模型考虑因素，按照不同的标准有不同的分类。
评分卡模型主要分类维度如下。
1）应用阶段：贷前、贷中、贷后、催收等。
2）业务场景：信贷风险管理、营销管理、客户运营等。
3）开发方式：专家评分卡模型、数据驱动评分卡模型。
不同应用场景的评分卡模型用途如表1-2所示。
表1-2 评分卡模型应用场景
其中申请评分卡、行为评分卡、催收评分卡、欺诈评分卡分别被简称为A卡（Application Score Card）、B卡（Behavior Score Card）、C卡（Collection Score Card）和F卡（Fraud Score Card）。
注意
表1-2中对于应用场景和用途的分类是列举式的，并非严格意义的分类，因为分类讲究MECE（Mutually Exclusive，Collectively Exhaustive，不重不漏），所以评分卡模型的应用场景和用途非常多，很难有一个严格的划分方法。
1.4.3 评分卡模型的适用性
图1-3所示是对于银行信贷领域，按照产品和业务标准化程度，从最难标准化的对公贷款，到最容易标准化的信用卡业务的排序。
图1-3 信贷产品标准化程度
因为评分卡建模对数据量有较高要求，所以它更适用于以下3个方向。
1）较标准化的业务，例如个人贷款。
2）有充分的业务量和数据量，这样才可以训练出有效的模型，例如信用卡业务量较大，积累了丰富的数据。
3）对运营效能和实时性有较高要求的业务，例如在线消费贷实时审批等。
1.4.4 评分卡模型的价值
下面对评分卡模型和专家规则进行比较。相对而言，评分卡模型在客观性、一致性、效率产能、知识经验可传承性、统一管理控制方面具有优势，具体比较结果如表1-3所示。
表1-3 评分卡模型与专家规则的比较
1. 评分卡模型的缺点
评分卡模型并非没有缺点，相对于专家经验，其不足体现在以下4点。
1）适合特定场景，即1.4.3节提到的评分卡模型的适用性。
2）对数据有要求，评分卡模型需要基于一定量的样本进行训练，对于未上线的产品，或已上线但无表现，或有表现但坏样本不足的情况，是无法实现评分建模的，此时就必须依赖专家经验。另外，建模对数据的统计分布、同质性都有严格要求。
3）评分卡模型欠缺认知能力和背景知识。
4）评分卡模型难以灵活应变，只能按照预设的方式和路径执行。
2. 评分卡模型的价值和必要性
评分卡模型主要的价值体现在能够提炼和发现新的信息，同时可以实现决策自动化。
1）通过模型算法，能够发现和提取出专家经验未知的风险规律，这正是机器学习和数据挖掘最擅长的。而专家经验具有视觉盲区，不可能在短时间内抽取全部案例并提取规律。
2）评分卡模型通过完全量化的方式，使风险评价可以固化下来部署进决策系统，从而实现决策自动化，提高审批效率。而专家经验会包含很多难以解释的定性因素，难以量化，也难以完全实现自动化。
1.4.5 评分卡模型的应用
评分卡模型在金融领域应用广泛，表1-4所示是评分卡模型在信贷风险管理、营销管理、客户管理、运营管理中的应用。
表1-4 评分卡模型的应用场景
