通用模型

除了定制化的（内部）评分系统，还有基于征信局数据的通用模型，这些通用模型可以供那些由于资源不足或数据不足而选择不开发自有评分系统的机构使用，如某个机构刚刚进入一个新市场或开发了一个新产品。通用模型可以独立使用也可以用作内部评分系统的补充。

前面提到，FICO和VantageScore是主要的通用模型开发商，它们主要使用征信局的数据——贷款机构上报的数百万个账户的实际表现。这些通用的评分模型包括：

·风险模型，如BEACON和EMPERICA及VantageScore。

·针对汽车、银行卡、分期贷款和个人理财等业务的行业专属模型。

·破产预测模型。

·收入预测模型。

·申请反欺诈模型。

·客户流失模型。

·催收模型。

其他开发商还提供一些基于全国和局部区域的模型，具体产品包括：

·银行循环额度。

·银行分期信用贷款。

·汽车贷款或租赁。

·信用社产品。

·零售商信用卡。

通常，针对特定产品的模型更能符合贷款机构的需求。全国范围或广泛使用的模型也许能满足需求，但贷款机构最好还是使用自己特定的产品和目标群体来验证评分系统，以确保评分能够给出符合需求的结果。

虽然贷款机构总是更希望构建自有的申请评分或者营销评分（据某个贷款机构报告说，如果有非常完整的记录，它们可以开发比通用模型效果好10%～20%的自有评分系统），但是通用模型对那些因客户规模太小而无法构建自有评分系统或者进入一个业务领域时间太短的贷款机构来说是非常有效的。使用通用模型的另一个优点是大多数通用模型都是定期更新的，当经济环境变化时，一些机构内部的自有评分系统可能比预期退化得更快，而通用模型可能更新得更及时也更有效。

如果成本允许，自有评分系统和通用模型可同时用于筛选新申请人或审查现有账户。同时使用两个模型可以增强对大多数账户的辨别能力，但也会产生一个辨别结果不确定的区域。如图3-6所示，征信局评分和自有评分相互交叉：图中有28%的申请者同时被两个模型拒绝，46%的申请者同时通过了这两个模型。因此，系统对接近3/4账户的评分结果达成了一致（这是FICO报告的典型结果）。这一结果为贷款机构接受或拒绝大部分申请人提供了坚实的基础。

图3-6　使用两个模型

对于剩下的1/4的账户，一个模型说“接受”，另一个模型说“拒绝”。这并没有听起来那么糟糕，相反这是改善审批边际账户的机会。

通过叠加两个模型，无论原来单个模型的分数阈值如何，都可以计算出组合坏账率并绘制分数阈值线——指出可接受的坏账率范围。组合分数在每个区域的组合坏账率的示例，如图3-7所示。

图3-7　使用两个模型（续）

在这种情况下，开发人员可以选择接受阴影区域内的账户，即使一个模型拒绝了该账户。通常，使用两个模型会让更多的好账户通过审批。FICO的研究表明，在一些模型中，这么做可以将通过率提高2%～3%，并保持坏账率不升高。虽然这样的增长说起来可能不太多，但是对于每个月批准上万笔贷款的机构来说，增加200～300笔贷款可以切实提高利润，而不必增加风险。

如果贷款机构担心批准过多被一个模型拒绝的账户，可以通过提高分数阈值来调整边际区域账户的批准策略。

同时使用两个模型增加的成本是否值得？只有机构自己可以给出答案，但通用模型的成本可能相当低（每个申请的审核只要20～30美分）。只要经济上可行，一定要考虑使用多个模型。当然，需要测试来判断是否值得。

使用两个模型的一点提醒

正如一些贷款机构已经尝到了苦果，串行使用两个模型而不是并行使用是一个潜在的陷阱（见图3-8）。多个模型必须集成并行使用，以更好地指导决策。

图3-8　使用两个评分模型

设想以下贷款场景：风险管理部门已经开发了风险预测模型，市场部门也已经开发了收入预测模型。市场部门只能获得通过了风险预测模型的名单，并只会向其中通过收入预测模型的人（“高潜在收入”客户）进行营销。最终的结果是灾难性的。

原因有两个：①没有位于右下角第四象限的潜在低风险客户会通过评估（记住，他们是低潜在收入客户）；②位于左下角第三象限（高风险）的客户将非常匹配该规则。他们作为“大消费者”已经通过收入筛选模型。最终结果是没有足够的来自右边象限的好客户抵消来自左边象限的坏客户。这个审批策略会导致贷款机构经历严重的逆向选择，核销率会高得令它们无法忍受。

虽然市场部门可以说所有的目标市场都通过了风险筛选，但是它们不得不深刻地了解到不是所有评分680分（或任何其他分数阈值）的客户都表现相似。串行顺序使用两个模型是导致灾难的因素，向开发人员说明如何集成模型吧。