评分卡是在金融行业常用的，衡量风险的有效工具。传统评分卡模型常见的落地方式，一般是总行业务部门与行内科技团队或第三方服务厂商合作，完成合作建模后将结果向下分发，各分支行相关业务专家根据相关结果再展开工作。
在传统模型评分卡完成建模，到业务真正落地实施的过程中，其实面临着很大的挑战。观远数据在和多家银行的业务合作中了解到，该评分卡模型实施模式对专业技术能力的要求较高，业务专家无法自行搭建模型和有效理解模型，导致实际应用效果很难达到预期，存在以下三大痛点：
应用范围受限：传统评分卡模型的落地模式下，模型需要有专业AI人员提供技术支持，受到项目资源的限制，很难为每个业务都搭建相关的模型，往往只能照顾到重点产品或重点客群的需求。对新业务场景和不同地区分支行的个性化需求很难一一满足。
用户采纳率低：评分卡真正的终端用户——业务专家，参与度以及对背后逻辑理解有限，最终只能参考手中的评分结果，因此对建模过程感知较弱，导致对评分结果的采信度不高，搭建的模型很难给业务部门真正提效。
运维成本高：受到数据偏移等情况的影响，模型的效果在运行一段时间后会有一定的衰减，如果缺少对效果的维护，则会影响业务的使用。运维又需要花费大量的时间和经济成本，带来额外的支出。
这三大痛点犹如三座大山横亘在AI模型通向业务落地的道路上，如果不能翻越，那么投入再多的资源也无法真正让业务提升效率，给业务带来价值。
观远数据智能评分卡解决方案
为搬走三座大山，观远评分卡应运而生。观远数据智能评分卡将AI算法搭建模型的能力，封装成了可视化的界面，让业务专家通过简单的参数配置，即可完成算法模型的搭建和评估。
观远评分卡增强算子，将复杂的AI建模拆解成模型训练、模型应用和模型评估三个步骤。
在每个算子构建过程中，只需要配置输入、输出和模型相关的参数，即可直接调用平台内置的算法生成目标结果。生成的结果数据集进一步结合观远数据Galaxy平台的BI分析能力，便可在前台生成评分分布表、变量鉴别度报告、好坏客区分图、KS值和AUC值监控报告等，协助建模业务专家评估模型的效果，判断模型的业务可理解性。业务专家也可以根据这些图表，结合个人经验对模型进行进一步的调整和优化。
展开全文
Demo示例，非真实数据
这种能够结合可视化界面，加深业务专家对模型的认知，并将业务经验纳入建模的方法，相较传统评分卡将更具优势。
整个模型的使用流程如下图：首先在确定模型预测目标后进行数据的准备、清洗和基本处理，并根据业务需求划分训练、预测及评估数据集。完成了数据相关的工作后，再根据训练数据新建评分卡构建算子，进行简单的配置、运行后得到输出数据集，根据输出可以配置模型及特征看板。在完成了模型训练后，需要进一步的通过将验证数据集输入评估算子得到模型效果相关的输出，并可以配置模型效果分析看板。
通过这一看板，业务专家可以根据相关指标评估这一模型的可用性。若模型通过评估，则可以进一步的通过预测算子完成预测；若模型未通过评估，则可以参考构建算子生成的模型及特征看板，调整进入模型的数据、特征的筛选方式、特征的分箱方式，构建新的评分卡算子，直到模型满足相关的业务要求，即可对预测数据进行预测。预测的结果也可以配置成相关的看板，供业务专家使用时参考。
综上所述，和传统评分卡模型相比，观远数据智能评分卡是由业务自主构建并评估认可的模型，能在结合业务经验进行模型构建的同时降低业务主观判断对模型效果的影响，准确找到对应数据的最优拟合方式，稳定提升模型表现和评分工作的效率，有效解决了应用范围受限，用户采纳率低的痛点。
其次，结合观远数据Galaxy平台的预警功能，未来当评分卡模型的效果发生衰减时，能自动推送给负责模型的业务专家。届时只需更新数据后再运行模型，就能得到适配最新业务数据的评分卡，一定程度解决了运维成本过高的痛点。
观远数据智能评分卡场景示例
观远数据智能评分卡通过简单的操作将AI技术赋能业务，就能针对不同产品、不同客群、不同业务场景进行贷前准入、精准化贷后预警和差别化催收管理。
以银行风控中经典的抵押贷款客户贷后管理场景为例，搭建评分卡模型:
如果算法模型在首次训练结束后，具有强业务指向性的抵押率指标没有入选模型，那么业务专家可以通过在看板中查看模型评估报告来分析原因；
如果报告显示抵押率因为空值率过高导致没有入选，那么业务专家可以对数据进行调整后再次训练模型；
如果报告显示抵押率，由于和抵押业务金额相关性过高而没有进入模型，但业务专家认为抵押率的可解释性强于抵押业务金额的可解释性，那么业务专家可以设置强制抵押率变量进入评分卡。通过对比前后两个模型的评估报告，来选择最终采纳的评分卡。
同样以抵押贷款场景举例，从业务经验上来说，抵押率越高，贷款的风险就会越大，但是不同倾向的业务专家会有不同的判断标准。保守的业务专家当抵押率上了0.7就有风险，激进的业务专家可能认为0.8、0.9才有风险。
通过观远数据智能评分卡增强算子的机器学习分箱方式，可以自动搜寻最优分箱节点，对抵押贷款场景进行学习。模型反馈抵押率超过0.82时，坏客率显著增加，这一模型结果就能够给业务提供洞察，反哺风控实践。
Demo示例，非真实数据
如此一来，观远数据 AI+BI 智能评分卡让金融业务降低了对人工经验的依赖程度，可以更客观地从数据本身进行管理，同时又能融入专家经验，以模型的形式传承下去。
评分卡的应用，远不止于传统的信贷风险管理。在营销管理和客户运营中，也可广泛应用，满足不同业务部门的建模需求。
例如，某城商行分行前段时间采用了观远数据智能评分卡，通过增强算子搭建了专精特新企业的营销评分卡，替代了过去根据人工经验搭建的手动客户评分方式，最后在保证评分结果的准确性的同时，极大提升了营销效率。在采用模型结果营销5个月时间里，该分行授信客户较上期相比增长了145%，给银行业务切实带来了价值。
智能评分卡助力智慧风控发展
如果说风控是管理不确定性，既要规避损失，也要量化不确定性，还要处置不可规避的损失。那么在金融业务的风控上， 一是去选择合适的客户推荐合适他的业务，规避高风险客户和业务；二是量化风险评级，动态管理资产风险水平；三是拨备和资本金的准备去应对确定的损失。这其中种种，评分卡发挥着不可或缺的作用。
从“质”而言，“数据驱动业务”是风控的核心。无论是风控职能中的什么岗位，产品、策略、数据分析、模型等等，最终都要跟业务挂钩，而孕育风控岗位的金融业务又是一个天生以数据驱动的行业，这也决定了风控天生的“数字”属性。通过数据驱动，有效计算业务背后的概率，转化为得分，这也是评分卡模型诞生的初衷。
由“量”出发，当下数字时代，海量的数据信息不断消耗接收人的注意力，只有有效分配注意力，才能避免信息过剩导致注意力耗尽。评分卡将海量数据信息进行提炼，并通过模型的综合输出得分，仅需要参考得分，就可以做出业务判断，节省了大量时间与精力。
外部环境迅速在变，风险不停进化，客户也在变化，评分卡模型只有真正面向业务，融汇技术力量，才能实时应对外界变化。观远数据智能评分卡解决方案从业务出发，由业务自主构建并评估认可评分卡模型，期望更好地助力金融行业智慧风控健康发展，助推经济社会普惠进程。
