1、背景描述及需求
银行在市场经济中起着至关重要的作用。他们决定谁能获得资金，以什么条件获得资金，并决定投资决策的成败。为了让市场和社会发挥作用，个人和企业需要获得信贷。信用评分算法是银行用来决定贷款是否应该发放的一种方法，它对违约概率进行猜测。为了推进信用卡业务良性发展，减少坏账风险，各大银行都进行了信用卡客户风险识别相关工作，建立了相应的客户风险评分模型。
本案例分析的是通过预测某人在未来两年内遭遇财务困境的可能性，来提高自己在信用评分方面的水平。主要应用于相关融资类业务中新用户的主体评级，适用于个人和机构融资主体。本案例定义逾期90天以上就算作坏客户。
信用卡客户评分数据挖掘主要包括以下步骤：
1) 从银行获取信用卡相关信息；
2) 数据探索：探索整体数据分布和探索不同变量之间的关系；
3) 数据预处理工作：包括数据清洗、数据离散化、处理样本不平衡问题等操作；
4) 构建信用评分卡模型，计算各指标的分值及综合评分；
5) 根据评分结果，分析该银行的客户的信用风险情况。
| 面板 | ||||||||
|---|---|---|---|---|---|---|---|---|
| ||||||||
|
2、实施过程
本案例数据集来源于kaggle赛题数据，共计15万条客户数据，包括信用客户和逾期客户，并对数据进行人工标注，标注分为两类，分别为：0（信用客户）和1（逾期客户）。字段说明见表2-1。
表2-1 字段说明
字段名称 | 类型 | 字段说明 |
|---|---|---|
SeriousDlqin2yrs | 整型 | 好坏客户。取值为{0,1} |
RevolvingUtilizationOfUnsecuredLines | 浮点型 | 可用额度比值 |
age | 整型 | 年龄 |
NumberOfTime30-59DaysPastDueNotWorse | 整型 | 逾期30-59天笔数 |
DebtRatio | 浮点型 | 负债率 |
MonthlyIncome | 整型 | 月收入 |
NumberOfOpenCreditLinesAndLoans | 整型 | 信贷数量 |
NumberOfTimes90DaysLate | 整型 | 逾期90天笔数 |
NumberRealEstateLoansOrLines | 整型 | 固定资产贷款量 |
NumberOfTime60-89DaysPastDueNotWorse | 整型 | 逾期60-89天笔数 |
NumberOfDependents | 整型 | 家属数量 |
2.1数据接入
在实验中添加 数据源 节点，将评分卡客户数据读取进来，部分数据如图所示：
为了方便理解本数据集每个特征的含义，使用 元数据编辑 节点，添加中文字段别名，更改后的输出如图所示：
流程图如下：
数据探索
本案例的探索分析是对数据进行缺失值、重复值与异常值分析，分析出数据的规律以及异常值。
为了查看整体数据集数值型数据的情况，我们接入一个 全表统计节点，选中所有数值型字段如图：
输出结果如图，可以看到部分数据（月收入、家属数量）存在缺失值。可以看到“月收入”缺失达到近20%，“家属数量”缺失较少仅有2.6%的缺失。
为了统计所有数据中好坏客户的分布情况，选择 聚合 节点，选择分组计数，如图：
输出结果好坏客户分布情况图如下，发现0类样本占有较大的比例，则需要考虑到样本不平衡问题。
通过 全表统计 节点查看所有数据的分布情况，查看各指标的直方图、箱线图分布情况，如图所示。发现“年龄”的最小值居然是0，但是根据我们的常识，小于18岁是不能在银行办理信用卡或是贷款业务的。以及看到三个逾期天数指标（逾期30 节点，将评分卡客户数据读取进来，部分数据如图2-1所示：
图2-1 评分卡客户数据
为了方便理解本数据集每个特征的含义，使用 元数据编辑 节点，添加中文字段别名，更改后的输出如图2-2所示，流程图如图2-3所示。
图2-2 元数据编辑
图2-3 流程图
2.2数据探索
本案例的探索分析是对数据进行缺失值、重复值与异常值分析，分析出数据的规律以及异常值。为了查看整体数据集数值型数据的情况，我们接入一个 全表统计节点，选中所有数值型字段如图2-4所示，输出结果如图2-5所示，可以看到部分数据（月收入、家属数量）存在缺失值。可以看到“月收入”缺失达到近20%，“家属数量”缺失较少仅有2.6%的缺失。
图2-4 选择列
图2-5 数据缺失情况
为了统计所有数据中好坏客户的分布情况，选择 聚合 节点，选择分组计数，如图2-6所示，输出结果分布情况图2-7所示，发现0类样本占有较大的比例，则需要考虑到样本不平衡问题。
图2-6 聚合
图2-7好坏客户分布情况
通过 全表统计 节点查看所有数据的分布情况，查看各指标的直方图、箱线图分布情况，如图2-8所示。发现“年龄”的最小值居然是0，但是根据我们的常识，小于18岁是不能在银行办理信用卡或是贷款业务的。以及看到三个逾期天数指标（逾期30-59天、逾期60-80天，逾期90天）是存在比较严重的离群值的。
图2-8 直方图、箱线图
数据预处理2.3数据预处理
通过数据探索发现，月收入、家属数量这两个字段数据有部分空值、三个逾期天数指标存在异常值和部分数据可能有重复值。以及好坏客户的数据比例存在明显的不平衡现象，如果将这些数据直接进入模型，必然会对分析造成很大的影响，得到的结果的质量也必然是存在问题的。那么，在利用到数据之前就必须先进行数据预处理，把无价值的指标及数据去除。
1、去重复值
通过 去除重复值 节点将重复行的数据进行给去除，去除后结果如图： 节点将重复行的数据进行给去除，去除后结果如图2-9所示：
图2-9 去除重复值
2、空值处理
由于“家属数量”缺失较少，可直接使用中位数进行填充。“月收入”这个特征对于征信来说非常重要的，本案例采用随机森林填补法来填充，即将缺失的特征值作为预测值，将未缺失的“月收入”数据作为训练样本的标签。流程图如下：
由于“家属数量”缺失较少，可直接使用中位数进行填充。根据“月收入”分布情况来看可将这个特征用平均值来填充，流程图如图2-10所示。
图2-10 空值处理
3、异常值处理
根据探索分析发现年龄的最小值为0，通常我们知道年龄小于18岁是不能办理银行信用卡或者贷款业务的，并且发现三个逾期天数指标（逾期30-59天、逾期60-80天，逾期90天）是存在比较严重的离群值的。通过 行选择 节点筛选出年龄<18的数据分析发现仅有年龄=0的这一条数据，如图：
因此需要将年龄为0的数据进行删除过滤。
通过行选择节点筛选出发现三个逾期指标出现的情况发生在相同的行，维度都是（225,11）。因此将其中一个异常指标过滤删除即可：
4、处理样本不平衡
通过好坏客户分布情况图发现，0:1=139974:10026，是存在严重的样本不平衡的。这是在金融风控中非常常见的，因为会存在严重违约的用户毕竟是少数。本案例采取SMOTE上采样的方法处理数据不平衡。通过 PYTHON脚本 进行编写，核心代码如图所示：
处理不平衡数据后通过 聚合 节点分析发现1类和0类数据达到平衡状态，如图：
5、数据离散化
在建立模型前，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险。连续变量是在任意两个值之间具有无限个值的数值变量。连续变量可以是数值变量，也可以是日期/时间变量。例如，零件的长度，或者收到付款的日期和时间。因此，我们 自定义离散 操作如图所示：
整个的数据预处理流程如下：
特征选择
1、相关性分析
相关性分析是用来反映变量之间的相关关系的密切程度。相关系数的取值一般介于-1和1之间。当相关系数为正的时候，意味着变量之间是正相关的；当相关系数为负的时候，意味着变量之间是负相关的。我们选择 相关性分析 节点 探索各指标的相关性，如图所示：
因此我们选择相关性较强的特征，如图：
模型建立
本案例采取逻辑回归模型，逻辑回归具有以下优势：0的这一条数据，如图2-11所示。因此需要将年龄<18的数据进行删除过滤，如图2-12所示。
图2-11 异常值
图2-12 过滤
通过行选择节点筛选出发现三个逾期指标出现的情况发生在相同的行，维度都是（225,11）。因此将其中一个异常指标过滤删除即可，如图2-13所示。
图2-13过滤
4、处理样本不平衡
通过图2-7所示发现，0:1=139974:10026，是存在严重的样本不平衡的。这是在金融风控中非常常见的，因为会存在严重违约的用户毕竟是少数。本案例采取下采样的方法处理数据不平衡。如图2-14所示。处理不平衡数据后通过 聚合 节点分析发现1类和0类数据达到平衡状态，如图2-15所示。
图2-14 下采样设置
图2-15 下采样后处理结果
5、WOE编码
在建立模型前，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险。连续变量是在任意两个值之间具有无限个值的数值变量。连续变量可以是数值变量，也可以是日期/时间变量。例如，零件的长度，或者收到付款的日期和时间。因此，我们使用WOE编码节点操作分箱设置，如图2-16所示。
图2-16分箱
分箱设置后通过WOE编码节点计算出IV值以及WOE值，通过查看IV值筛选重要特征建立评分卡模型，将WOE编码后的特征输入模型。WOE编码后输出结果如图2-17所示。
图2-17 WOE编码
整个的数据预处理流程如图2-18所示。
图2-18 数据预处理
2.4特征选择
1、特征选择
我们根据IV值判断选择需要进入评分卡模型的WOE编码后的特征列，如图2-19所示。
图2-19 特征选择
2.5模型建立
本案例采取逻辑回归模型，整体的流程图如图2-20所示。
逻辑回归具有以下优势：
1、逻辑回归经过信贷历史的反复验证是有效的；
2、模型比较稳定相对成熟；
3、建模过程透明而不是黑箱；
4、不太容易过拟合。4、不太容易过拟合；
整体的流程图如图所示：
通常而言，评分卡模型一般采用roc或ks曲线来评价模型的好坏。本案例的评估结果如图所示，发现该模型的auc取值为0.835，ks的最大取值为0.51，说明该模型的效果是不错的。
图2-20 模型训练及预测评估
通常而言，评分卡模型一般采用roc或ks曲线来评价模型的好坏。本案例的评估结果如图2-21所示，发现该模型的auc取值为0.86178，ks的最大取值为0.56，说明该模型的效果是不错的。
图2-21 评估结果
2.6计算评分
1、模型系数
通过逻辑回归模型训练后接入 模型系数 节点，输出的模型系数如图：
2、计算得分 节点，输出的模型系数如图2-22所示。
图2-22 模型系数
2、评分卡构建
我们需要将逻辑回归转换为对应的分数，（0-999分）。
根据资料查得：Score = offset + factor * log(odds)
首先，我们得计算各特征的分数得分，部分核心代码如图所示：
各分数得分输出日志中可打印输出。
然后根据基础分值与各特征的得分进行相加减获取最终信用评分，部分核心代码如图所示：
最后输出各特征指标的得分，根据得分结果可查看分析出评分越高的客户违约风险就越大，由此可对相应的工作采取措施。
接入评分卡构建节点，设置好相应的参数，我们设置基础分值为1000，好坏比为0.2，PDO为20（每高20分好坏比翻一倍），如图2-23所示评分卡构建模型如图2-24所示。
图2-23 评分卡构建
图2-24 评分卡模型
3、评分卡输出
我们在评分卡模型构建后接入评分卡输出节点，评分卡表输出结果如图2-25所示。
图2-25 评分卡输出
4、评分预测
我们对数据集进行特征选择后计算得分，接入评分预测节点将得分结果输出，如图2-26所示，分值越高则违约风险越大。评分卡构建预测流程如图2-27所示。
图2-26 评分预测
图2-27 评分卡构建及预测
3、总结
本章结合信用卡评分的案例，重点介绍了数据挖掘算法中逻辑回归分类算法在实际案例中的应用。本案例研究客户信用问题，从分析出客户的信用分值中可挖掘出该客户的违约风险程度，并针对违约客户的这些客群中采取相应的措施。
