从事信贷工作这么多年了, 我目睹过太多不少人在信用评价模型方面经历过挫折。如今打算谈论一下这个大家既知晓却实际又生疏的话题。逗号。
信用评价模型怎么选
银行众多, 于起始阶段便在选型这儿遭遇挫折。有人对最新算法过度迷信, 有人对传统规则执意坚守, 实则二者均非最优之选。
倘若要挑选信用评价模型, 那么首先就得查看数据基础。你们手中所拥有的高质量数据究竟有多少呢? 要是历史逾期记载并不完备详尽, 即便模型再超前先进, 那也不过是虚幻不实、毫无根基之物。除此之外, 还必须考量团队所具备的技术能力, 有些地方的分行压根就没能力供养机器学习工程师, 若是强行运用复杂的模型, 只会导致与预期相反的不良结果出现。
仍存在着监管要求, 这同样算是一项硬性指标。模型具备的可解释性, 直接与能否通过审计存在关联。挑选模型, 并不是去比较谁更为先进, 而是去比较谁对你而言更为适配。
信用评价模型怎么用
模型建好了只是第一步，用起来才是真功夫。
在我们行展开先前行动计划之前是存在一个教训的, 当模型上线之后所呈现出来的效果是好不错的, 然而业务部门从根本上来说压根就不信任。随后我们开展了大量的案例复盘行动, 将模型最终得出的结果以及人工审批所存在的差异点逐个进行拆解表明, 业务部门便才渐次慢慢予以接受。
模型老化是又一个常见的问题, 市场处于变化之中, 客户群体也处于变化之中, 去年还算良好的模型, 到了今年有可能就失去作用了, 定期去检查模型的稳定性指标, 像是PSI值, 这是一定要去做的事情句号。
模型的终极目标是对决策起到辅助作用, 并非将判断予以替代。存在一些处于边缘状态的客户, 模型所给出的分数并不高, 然而综合考虑其他各种因素后其有可能属于优质客户, 在这样的情形下就需要人工进行介入。
信用评价模型哪些坑别踩
数据的质量, 是首个会遇到的坑。那些劣质的数据进入, 所产出的便是劣质的结果, 这样的话语听起来虽通俗, 不过道理却并不粗糙。
第二个坑乃是过度拟合, 某些模型于训练集之上呈现出完美之态, 然而放置到实际业务当中便会屡屡遭遇挫折, 训练数据应当能够代表整体客户群体, 切不可仅仅聚焦于优质客户或者劣质客户。
第三个坑在于对业务逻辑的忽视, 哪怕算法极为精妙, 但若结果背离基本常识, 那也是不可行的。倘若存在这样一个模型, 其判定经常更换工作的人为优质客户, 那么这必然是存在问题的。
