数字解读在浦发银行信用卡中心的应用

来源：《中国征信》2019年第6期。

作者：王磊，供职于上海浦东发展银行信用卡中心。

数字解读简介

个人信用报告数字解读（以下简称数字解读）产品是由中国人民银行征信中心开发的个人信用风险量化服务工具。在对个人通用信用评分研究项目的基础上，利用我国个人征信系统的信贷数据开发出来的征信产品，用于预测放贷机构个人客户在未来一段时间内发生信贷违约的可能性。同商业银行内部风险评分模型相比，数字解读具有覆盖面更广、表现充分、样本量大等优点。浦发银行自2014年开始展开对数字解读的分析验证，自2015年起，数字解读开始在全行逐步推广应用。5年来，数字解读产品已经成为浦发银行开展信用卡获客、贷中管理及贷后管理等业务必不可少的工具。

数字解读在贷中管理中的应用

自2015年引入数字解读产品以来，该产品广泛运用于浦发银行信用卡中心的多个贷中管理环节。

数字解读应用于授信环节的校验，优势在于该评分包含了除行内信息外的他行消费行为，能够更加准确评估客户风险，精准识别更多高风险客户，同行内评分交叉形成置入置出策略。同时在睡眠卡客户风险预判上，数字解读能够弥补行内信息缺失的不足，精准利用所有征信信息评估客户风险。

模型区分能力强、分布稳定、排序性良好。一般而言，模型区分能力以柯尔莫格罗夫——斯米尔诺夫指标（以下简称KS指标）大于30%为佳。该产品有着较强的模型区分能力，在引入初期（2016年12月）其KS指标达到58%，两年后（2018年12月）其KS指标未发生衰退，仍为58%，表现非常稳定。模型稳定性指标(以下简称PSI指标)衡量了评分的分布差异，PSI指标小于0.1表明人群分布稳定。数字解读产品在2018年12月时点较2016年12月时点的PSI指标仅为0.026，模型评分分布稳定。同时，该模型的排序性良好，坏账率单调递减（见图1）。

为便于在实际业务中使用，浦发银行信用卡中心使用逻辑回归方法将信用卡中心开发的行为评分与征信中心开发的数字解读产品进行拟合，该拟合分可以在提升模型效果的同时不增加业务策略的复杂度。拟合后，行为评分调整分KS指标从57%提升至63%，提升6个百分点，且该拟合分分布稳定，在2018年12月时点较引入初期2016年12月时点的PSI指标仅为0.053（见图2）。

       目前浦发银行信用卡中心在对存量客户进行调额处理时，评分模型主要运用数字解读产品。在区分全量客户风险资质时，主要以硬性风险规定、正向评分筛选两种方法进行定义，其中硬性风险规定主要分为合规类风险因素排除、信用类风险因素排除（最高风险客群），在剔除两类客群之后，根据浦发银行信用卡中心整体授信计划设置最低准入分数线，该分数就是之前提到的行为评分调整分，由数字解读拟合而来的评分。所以数字解读在浦发银行信用卡中心贷中管理的增信端有着相当重要的地位。

数字解读在贷后管理中的应用

数字解读产品在贷后风险预警管理中的应用。在浦发银行信用卡贷后风险预警管理中，数字解读在客户潜在逾期风险侦测策略中发挥了重要作用，综合考量了客户的整体负债情况及偿债能力，能够全面、客观、定量评估客户当前信贷风险情况，有效提升行内贷后风险预警策略的精准度。

数字解读产品在全面贷后模型中的应用。全面贷后模型中有很多短账龄的模型，23个月账龄模型（以下简称Mob23）和45个月账龄模型（以下简称Mob45）在没有贷后行为评分的情况下，数字解读这个变量起到了很好的替代作用，作为入模变量在模型中贡献度很高，单变量信息值（Information Value）达1.4。模型从2017年8月上线至今2年多时间里，Mob23和Mob45早期预警模型KS指标始终保持50%~55%，在贷后评分模型中属于高区分度，同时PSI值在0.1左右，表明模型区分的客群稳定。

数字解读产品一方面综合了客户最新的征信信息，反映了客户在行外的最新动态，能够对高风险客户进行有效识别；另一方面把客户的征信信息综合为一个数字，提高了查询效率，能更加直观反映客户外部征信的实际情况，对全量客户也可实现每月更新，并可根据查询结果，识别高风险客群后进行提前干预，实现早期风险预警。

综上，数字解读产品的应用是浦发银行信用卡贷中管理及贷后管理中非常必要的环节，数字解读是浦发银行信用卡中心管控风险的重要工具之一。

版权声明：中国征信杂志（微信号：zgzxzz）所有注明来源于《中国征信》杂志的文章，请媒体和微信公众号转载时注明出处，否则将追究法律责任。欢迎转发至朋友圈。