立即登录 信用评分的本质，其实就是给客户排个队——按风险高低排。排队本身不值钱，值钱的是后面跟着的那套差异化动作：有人直接放行，有人加道审核，有人干脆拒之门外，也有人虽然批了，但额度压得低、定价定得高。这些动作的背后，是一套评分模型在撑腰。
模型的门类不少。按业务阶段分，有申请评分、行为评分、催收评分、反欺诈评分；按应用功能分，又有信用评分、风险评分、响应评分、分期转化率评分。这里多提一句反欺诈评分，它跟异常检测、关系网络那套图论模型不是一回事，别混为一谈。
有了评分，怎么用才是关键。这就涉及cut-off，也就是评分截点的设置。最基础的是合格线，批不批的底线；再往上划几道决策区间线，不同分数段对应不同策略。高分自动过、给高额度，低分直接拒或建议拒，都是常规打法。
但cut-off怎么定，从来不是算法拍得了板的。KS值跑到哪最大、F-Score哪里最优，这些都能算，可真放到业务里，机械地一刀切往往行不通。下面六种场景，覆盖了从纯技术指标到复杂业务决策的完整光谱。
第一种是纯指标驱动，看KS和F-Score。KS衡量的是模型区分好坏客户的能力，公式是累计坏客户比例减去累计好客户比例的最大值，找到这个最大值的位置，cut-off就定在这。F-Score同理，是精度和召回率的调和，取最大值点。这两种做法最干净，也最"学术"——好处是标准统一、好解释；坏处是不管业务死活，模型区分能力最强的地方，未必是业务能接受的点。
第二种是保守起步，保持通过率不变。模型头回上线，最常见的做法是"换卡不换通过率"。原来批多少，现在还批多少，但新模型区分能力更强，实际放进来的坏客户会减少，坏账率自然下降。这个策略胜在安全、可预期，通过率当天就能验证，坏账表现却要等几个月。新业务或模型首次投产，大多这么干。
第三种激进一点，提高通过率，锁住坏账。比第二种更进一步，不仅不换通过率，还要往上提——放更多人进来，但要求坏账率不动。这做法有风险。评分卡估计的坏账率往往偏低，因为被拒绝那部分申请人的真实表现观测不到，这里有拒绝推断的老问题。实际跑下来，坏账可能高于预期。用这招，得做好监控和回退的准备。
第四种双向优化，通过率和坏账率一起动。画一条策略曲线，横轴通过率，纵轴坏账率，不同分数段对应的点散在上面。当前策略在A点，通过率20%、坏账率3%。从这里出发，几个方向都能选：B点通过率不变、坏账压到1%；C点坏账不变、通过率提到50%；D点两者都优化，通过率30%、坏账1.2%。cut-off不再是简单的一条线，而是曲线上的战略选择。有时为了业务需要，分数区间的划分粒度也会临时调整，密一点或疏一点，看的是可操作性。
第五种算细账，画风险损失收益曲线。前面四种还在用通过率、坏账率这些粗口径，真要到盈亏层面，得把账算细。坏账损失怎么估？看dpd30占比、30到90天的迁徙率、最终损失率。成本端要算资金成本、运营成本、人工成本。收入端要算件均、区间放款规模、定价利率，还要估催收能收回多少。把这些揉在一起，画出一条损失收益曲线。理想的曲线是倒U型，找到盈亏平衡点、收益最大点、净利润为正的区间。实际业务里，这条曲线往往歪歪扭扭，没那么规整。但核心逻辑不变：在曲线上找当前策略的优化方向，把cut-off定在一个能讲清楚"为什么这里赚钱"的位置。
第六种再精一步，评分与规则交叉。用更多强相关变量，把评分和规则搭成二维矩阵。评分区间先粗分一道，规则再筛一道，部分恢复原来评分直接拒绝的区间，在更细的粒度上做风险定价。逻辑跟第五种一脉相承，只是颗粒度更细，适合数据基础好、系统支持到位的阶段。
这六种场景，从机械到灵活，从粗放到精细，没有哪一种绝对更好。风险损失收益曲线往下，还可以接定损模型、定价模型，往定量化的深处再走几步。但每多一层复杂度，就多一层不稳定的可能。模型挖得再深，预测错了也是白搭。实际业务里，一直在模型价值和模型风险之间找平衡，这才是风控的真功夫。
本文内容整理自网络公开资料及行业经验分享，仅供学习参考，不代表平台立场，亦不构成任何业务建议。