【风控】行为评分卡(B卡)模型

行为评分卡（Behavior Scoring Card，简称B卡）是一种基于客户在贷中阶段的动态行为表现，对客户未来风险进行预测的评分模型。随着新客获客成本不断攀升，老客的精细化管理和风控变得尤为重要。B卡通过对客户放款后产生的各种行为数据进行分析，及时识别风险变化，为额度管理、利率调整、营销响应、流失预警等多场景提供决策支持。

一、信贷生命周期与评分卡分类

信贷业务可大致分为三个阶段：

阶段	主要环节	核心评分卡	部署形式
贷前	申请审核、额度授信、支用审批	A卡（申请评分）	实时T+0线上
贷中	额度管理、行为监测、营销决策	B卡（行为评分）	离线T+1（可近实时）
贷后	催收决策、逾期管理	C卡（催收评分）	离线T+1

A卡：评估客户初次申请风险，常用于准入和定价。
B卡：动态监控客户在使用产品过程中的行为表现，及时调整风控策略。
C卡：针对已逾期客户，预测催收响应与回款可能性。

二、B卡应用场景与价值

额度管理：根据行为风险分数，动态提升或下调客户额度，优化资金利用与风险敞口。
利率定价：对关键行为触发定价调整，强化差异化定价策略。
营销响应预测：筛选高价值、低风险客户，提升交叉销售和促销活动效果。
流失预警与留存：结合行为分数发现流失倾向，制定挽留策略。
拨备优化：基于未来逾期概率，合理计提拨备，提升资金使用效率。

三、样本与标签准备

样本口径
- 新客：无历史在途或结清订单；
- 老客：至少存在一笔结清订单。
样本选取窗口
- 确定行为观察期（如最近6个月）。
- 确定表现窗口（如放款后3期、6期）。
标签定义
- 使用GBIX体系：
  - G (Good)：表现期内未逾期；
  - B (Bad)：出现MOB>=阈值逾期；
  - I (Indeterminate)：未完整经过表现期；
  - X (Exclusion)：异常样本（注销、极端提前结清等）。
- 客户级标签需在多笔订单上综合判断。

四、可用数据源与特征维度

特征维度	典型数据来源	说明
消费行为	信用卡账单、借记卡流水、电商消费记录	专款专用程度、消费场景分布
履约历史	历史逾期记录、提前还款、部分提前还款	履约稳定性、诚信度
负债压力	其他贷款在途余额、多头负债笔数	负债占比、互斥偿债风险
还款行为	分期计划表、实际还款时间与金额	逾期天数、还款频次、逾期间隔
活跃度	App登录次数、网银登录、客服咨询次数	客户黏性、联络可达性
外部行为	通话记录（反欺诈）、社交媒体公开信息、稳定资产证明	社交活跃度、职业与收入变化

此外，可结合宏观环境特征（利率波动、行业风险）和客户画像（年龄、职业、地区）。特征构造可采用时间滑窗统计、周期性指标和交叉特征。

五、特征工程与变量分箱

时间滑窗特征：按不同时间窗口（30/60/90/180天）计算逾期次数、还款次数、消费总额等。
分箱与WOE编码：对连续变量进行分箱，计算各箱体的WOE值，保证单调性并提高可解释性。
分群变量：基于关键风险指标（如历史逾期）先行分群，分别构建局部模型提升区分度。
多源数据融合：使用特征组合、交叉项、聚类分群策略进一步丰富特征空间。

六、模型选择与评估指标

常用模型：Logistic回归、XGBoost、LightGBM、神经网络。
性能度量 ：
- KS值（目标>0.5）；
- AUC/Gini；
- 精准率、召回率；
- PSI（Population Stability Index）监控变量分布漂移；
- Calibration曲线评估概率预测准确性。
分群KS拆解：局部分群KS贡献 + 总分群变量贡献 = 最终区分度。

七、模型部署与监控

部署周期：一般采用离线T+1批量计算，或Near Real-Time API调用。
监控维度 ：
- 模型性能跟踪（KS、AUC、Accuracy）；
- 数据漂移监测（PSI、特征均值波动）；
- 监控日志与报警（分数分布、评分转化率）。
风险应对：当性能衰退超阈值时，触发模型重训练或特征更新。

八、应用与最佳实践

动态额度调整：根据B卡分数实时或定期提降客户额度，避免过度风险敞口。
场景联动：与营销系统、催收系统、定价系统对接，实现全流程自动化风控。
可解释性：采用SHAP、特征重要性排序，增强模型透明度，满足监管要求。
模型治理：建立模型库、审批与版本管理流程，确保模型落地合规。

行为评分卡（B卡）通过对客户贷中动态行为的持续监测，有效提升风控决策的精准度和时效性。未来可结合实时流式计算、强化学习与因果推断方法，进一步增强模型的自适应能力和解释能力，实现更智能的精细化风险管理。