信用评分模型主要用来衡量信用风险，信用风险主要看用户的偿还能力和偿还意愿。
所以信用评分模型特征衍生维度主要围绕用户的偿还能力和偿还意愿展开。
反应用户偿还能力的指标，典型的有收入、家庭资产等，反应用户偿还意愿的指标，典型的有历史信贷偿还记录、历史守约记录等。
除了这些指标，还有哪些指标也可以衡量用户的还款能力和还款意愿？
本文以一张图的形式简单地呈现信用评分模型特征衍生维度，让你能快速窥探信用评分模型特征衍生全貌。
什么是信用评分模型？
信用评分模型特征衍生一张图
补充信用评分模型主要应用场景
信用评分模型是一种评估个人或企业信用风险的工具，本文主要针对个人信用风险。
它通过分析历史数据，应用统计方法来预测借款人未来偿还债务的可能性。
信用模型通常由金融机构、信用评级机构或信用评分公司开发和使用，以帮助他们做出贷款、信用卡发行、信用额度调整等信贷决策。
这些模型通过分析客户的财务信息(如收入水平)、过去的信贷记录、职业稳定性等，预测出客户未来可能违约的概率。
接下来详细介绍信用评分模型的特征衍生维度。
信用评分模型特征衍生一张图展示如下：
个人基本信息：一般包括性别、年龄、学历、婚姻情况、家庭情况、户籍地址等。一般来说女性通常还款意愿强。年龄小没有收入来源，年龄太大有寿命风险。已婚的通常贷后表现好于未婚和离异的。家庭亲戚朋友少的人，逾期催回概率低。户籍地址偏远的逾期概率相对高。
金融信息：直接反应用户偿还能力的数据，比如收入、家庭资产等，通常和偿还能力正相关。
消费信息：和用户的消费行为有关，比如餐饮消费支付数据、电商购物数据、航旅出行数据等。可以比对用户一段时间内的消费数据和收入数据，以此评估用户的偿还能力。
多头信息：指用户存在多家借款平台贷款的情况，一般来说用户多头较多时，偿还能力较差。但是最近几年也发现存在多头倒挂的现象，需谨慎处理。对多头倒挂感兴趣的小伙伴，可翻看信贷风控中的多头在贷后表现中为什么会出现倒挂？
历史守约信息：直接反应用户偿还意愿的指标，比如历史信贷偿还数据、信用卡偿还数据、共享汽车、单车守约数据等。通常历史守约记录越良好的客户，逾期概率越低。
运营商信息：通话次数，命中快递、外卖、营销次数，近30天被催收次数，标记催收白名单、骚扰、疑似欺诈等。稳定的通话记录，无催收、欺诈标记的客户逾期表现相对较好。
关联关系信息：近朱者赤近墨者黑，密切关联的人逾期率越高，该用户贷后逾期概率一般也会高一些。
sdk信息：主要是设备信息，如设备类型、app安装、位置（常驻地址、出行轨迹）等。通常手机中安装较多赌博、贷款、色情app的用户逾期风险较高。
埋点信息：app埋点数据，通常记录用户点击app上某个功能区的次数和时间。比如是否凌晨点击app中某个按钮、不同点击之间的时间间隔等，通常在欺诈模型中使用较多。
司法信息：主要是司法涉诉信息，如果用户官司缠身，一般逾期风险较高。
互联网上网行为信息：比如用户浏览器搜索、地图、贴吧、网盘等行为数据。正向类信息搜素、浏览越多，一般贷后表现较好。
视频浏览信息：比如抖音观看视频类型数据，各类视频点赞、完播、分享数据等。通常赌博类、暴力类、色情类视频观看较多的用户逾期风险较高。
信用评分模型应用场景较多，主要包括：
A卡（申请评分卡）：使用最广泛的信用评分模型，用于贷前审批阶段对借款申请人的量化评估。 B卡（行为评分卡）：主要任务是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。 C卡（催收评分卡）：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。 F卡（欺诈评分卡）：主要应用于相关融资类业务中新客户可能存在的欺诈行为的预测管理。
至此，信用评分模型一张图已讲解完毕，对风控建模感兴趣的小伙伴欢迎加群讨论。
【部分群限时免费进】分群讨论学习Python、玩转Python、风控建模【29.9元进】、人工智能、数据分析相关问题，还提供招聘内推信息、优秀文章、学习视频、公众号文章答疑，也可交流工作中遇到的难题。如需添加微信号19967879837，加时备注想进的群，比如风控建模。
一文囊括风控模型搭建(原理+Python实现)，持续更新。。。
不同工作年限风控建模岗薪资水平如何？招聘最看重面试者什么能力？
100天精通风控建模(原理+Python实现)——第32天：集成学习是什么?在风控建模中有哪些应用？
限时免费加群
19967879837
添加微信号、手机号