未来金科学院

目前在个人信用风控建模领域常见的模型有两种：1）基于线性回归分析的评分卡模型，常见于银行背景的放贷机构；2）基于大数据的机器学习模型，如随机森林、XGBoost等，常见于互联网金融领域。这两种建模方法无论哪种都需要将模型结果映射到信用分数空间，最终呈现给用户一个能够表征信用的分数，比如国内的芝麻分，美国的FICO分。那么问题来了，模型结果和分数同样都是数值，为什么不直接呈现模型结果？为什么还要进一步转化为分数？

今天想和大家分享一下课程的第一部分内容：特征空间。

报表体系的搭建对于任何一家金融机构都尤为重要，对于风控模型来说经上线部署后会因内外部各种因素引起模型分数偏移，甚至出现错误。因此，为了能在第一时间发现问题，我们需要对模型进行动态监控。有一套相对完整的报表系统，能对模型的有效性、稳定性进行监控，更好地保证模型运行以及迭代新的模型版本。对于一般的风控模型，即ABC卡来说，简单地可以把监控分为前端监控和后端监控。这两张报表主要是反应分数分布和区分能力的，通用于所有模型。1、前端监控前端监控是客群表现label出来之前的监控，主要监控当月人群模型分数的分布