A卡开发流程

迁徙率分析

1. 逐月计算客户当前逾期状态
2. 计算当前月有状态的客户迁徙到下月的状态
3. 要注意当前月客户和下月客户对齐
4. 汇总当前月迁徙到下月的逾期状态
5. 统计向前/保持/向后的占比，以向后迁徙90%作为坏定义的标准

Vintage分析

1. 按授信月/客户，统计不同自然月（MOB）客户的当前逾期天数
2. 统计Vintage矩阵和画Vintage图表
3. 以曲线平稳时点作为表现期

样本统计

1. 统计授信后客户用信分布，确定授信N天内用信客户作为数据集，一般考虑30/40
2. 定义客户表现期，所有客户的表现期对齐，如首次用信后180天，注意不要用MOB来对齐表现期
3. 数据集划分好坏灰，数据集划分好坏，问清楚需求方是否有特殊要求
4. 数据量统计，每个自然月的客户量，每个自然月的样本量，坏样本率
5. 对全量授信样本打上标签，标签可打多个mob2-12，标签，金额，余额；用于后续回溯

数据探索性分析

1. 对数据进行描述性统计分析
2. 查看缺失值、异常值或空值
3. 调整异常数据
4. 依据客户基础维度信息做客户画像
5. 对全量授信样本打上特征，不要只是见面样本，后续用于回溯

数据预处理

1. 剔除不参与建模变量，授信号、授信月份、人行征信编号等
2. 缺失率过滤，剔除缺失大于90%的变量
3. 单一值过滤，剔除单一值大于90%的变量
4. 类别型变量过多，剔除类别型取值大于40的变量

数据分箱

1. 细分箱，考虑最优分箱和等频等距分箱
2. WOE编码，若失败则先做空箱调整

特征筛选

1. IV筛选：保留大于等于0.02小于等于0.08的指标
2. PSI筛选：逐月计算指标的PSI，要求PSI小于0.1，训练，OOT再算一遍
3. 卡方检验，考虑做卡方检验
4. 相关性系数，去除相关性系数大于0.7的指标
5. VIF筛选，去除VIF大于10的指标
6. 业务可解释性筛选
7. 分箱调整，单调变量单调性调整，U型变量U型调整
8. 短期badrate一致性，长期一致性筛选，特别关注近期样本的一致性时，考虑单独对近期样本的badrate一致性进行调整
9. 空箱填充
10. 以上步骤重新来一遍

模型开发

1. 逐步回归
2. LR建模
3. 评分卡

模型评估

1. 模型KS，AUC评估
2. 指标相关性评估
3. 指标PSI逐月评估
4. 指标KS Vintage评估