1,行為評分模型的開發與應用,根據信用卡賬戶歷史上所表現出來的各種行為特征來預測該賬戶未來的信貸表現。 數據源主要包括以下數據元素： 24-36個月中每個月的信貸余額； 24-36個月中每個月的最低應付款額 24-36個月中每個月的付款額； 24-36個月中每個月的退款額； 24-36個月中每個月的購物消費額； 24-36個月中每個月的現金提取額； 24-36個月中每個月的逾期拖欠周期； 開戶時間； 信用額度； 賬戶地位。,2,一、行為風險評分模型,行為風險評分模型的數據時間段劃分,3,一、行為風險評分模型,表現期 表現期不宜太長(如18個月或24個月)的原因是為了能夠有更好的預測效果。 觀察期,4,一、行為風險評分模型,排除 依觀察日的信息來排除 已經嚴重拖欠、呆賬、破產的賬戶(無須預測)； 開戶時間少于6個月的賬戶(沒有觀察到足夠的行為信息)； 最近連續6個月以上沒有活動的賬戶(沒有足夠的預測信息)； 已經關閉的賬戶； 賬戶持有人已故的賬戶； 特殊情況的賬戶(如賬戶巳被凍結、某些VIP賬戶)； 依表現日的信息來排除 處于欺詐、爭議狀態或賬戶持有人已故的賬戶。,5,一、行為風險評分模型,表現變量定義 在表現期末為呆賬、破產、3期以上拖欠的賬戶為“壞”； 在表現期末無施欠或僅為1期拖欠的賬戶為“好”； 在表現期末為2期拖欠的賬戶為“不確定”。 預測變量提煉 基本方法有5種： 嚴重性； 近期性； 頻率性； 貨幣價值性； 組合性。,6,基于嚴重性的預測變量,過去12個月未發生任何拖欠的賬戶群，“壞”的比例小于0.5%，隨著過去拖欠行為的嚴重化，其“壞”的比例也迅速提高。,7,基于近期性的預測變量,拖欠行為發生的歷史越近，風險越大。,8,基于頻率性的預測變量,拖欠發生的越頻繁，風險越大。,9,一般來說，未清償貸款余額越高，信用卡用戶的債務負擔越重，風險越大。,基于貨幣價值性的預測變量,10,組合性考慮的是各種不同性質的行為所占的比例。由于不同性質的行為風險特征不同，其比例的高低往往揭示了風險的大小，如圖，沒有現金提取行為的賬戶群風險最低，現金提取額所占比例越高，風險越大。,基于組合性的預測變量,11,一、行為風險評分模型,模型分組,12,一、行為風險評分模型,行為風險評分模型的結果是把信用卡賬戶按照未來的壞賬風險程度進行區別、排隊，并且估計其未來發生嚴重拖欠的概率。,13,行為風險評分模型的預測結果,14,二、行為收益評分模型,行為收益評分模型的數據時間段劃分,15,表現期 一般為12個月 觀察期 一般為12個月 表現變量定義 未來一年的凈收益利息收入-資金成本+刷卡回傭+各項收費-運營成本 預測變量提煉 對模型預測力貢獻最大的變量組合往往是信用卡使用率和循環信貸傾向方面的變量。,二、行為收益評分模型,16,行為收益評分模型預測變量一,隨著信用額度使用率的增加，年收益也不斷增加,17,行為收益評分模型預測變量二,隨著循環信貸活動的增加，年收益也不斷增加,18,行為收益評分模型預測結果,該行為收益評分有效的區別了高收益和低收益的信用卡賬戶，最高收益的20%-30%的客戶帶來了絕大部分的收益。,19,三、行為流失傾向評分模型,數據來源是銀行內部信用卡的行為信息。 數據劃分成表現期和觀察期，表現期一般為6-12個月，而觀察期一般為12個月。 預測的目標是信用卡客戶流失的概率。,20,行為流失傾向評分模型預測變量,過去6個月中連續地降低貸款余額的月份數，數目越高，未來流失概率越大。,21,思考題,什么是行為風險評分模型？該模型由哪些部分組成？其預測變量的提煉方法有哪幾種？