标签：差距 缺失值 分行 风控 graphs 校验 策略 消费 建模
某分模型评估
1.iv值大于2直接作为规则。其中看一下覆盖率、坏客户率。坏客户率达到60%以上就作为直拒规则。看一下每个区间中，累计的样本占比，累计的坏账率。如果满足低命中率（样本占比），高准确率（一般坏样本率60%）就把它作为规则放到风控中。
2.等频分箱，计算woe值，iv值，iv值大于2小于0.01的删掉。（分箱有很多种）。woe的排序和值，woe的单调性。
3.缺失值大于80%的变量删掉。
先过模型，后又过的规则（iv值规则）。
4.逻辑回归p值要显著，否则删掉，相关性，vif值。
0.44
0.79
最终评分20等分分组，合并之后分了。
最终lr模型6个变量。
5.对业务风险判断的指标：审核通过率，坏客户召回率，通过用户的坏账率。
6.贷中监控。前三个月稳定性按周来看，后面可以按月来做。ks监控。对变量的psi和ks监控。当突破阈值后就要更新。监控逾期情况。试运行结束后要上一个报告。
7.授信额度通过率、信用风险通过率。
问题：
1.模型在测试集和训练集的分数分布是否一致？中心一致吗？形状差距有多大？如何考虑的？为什么？
2.为什么取逾期30天为y？有什么理论依据？
3.信息校验和黑名单拒绝的命中率有多少？后面建模时把这些样本也放进去了吗？
4.这次建模数据是阿波罗数据？然后又在阿波罗数据上进行的汇总分箱？
5.采样这块，数据不均衡怎么处理的？
6.没有跨时间验证。
7.没有用户申请时间。为什么没有？这个信息很敏感吗？
8.申请时间、放款时间、逾期时间。
9.变量分箱这块，全都用等频分箱？这样划分的每个区间还有业务意义吗？为什么没有考虑和y的关系分箱？比如卡方分箱？
10.消费等级评分的计算逻辑？是否是稳定的？
大数据部：
数据、变量处理。
一开始22个变量，之后iv删掉11个，又把lr变量显著性不显著的5个变量删掉，最后有6个变量进入最终模型。
反欺诈策略分析：
欺诈率，坏客户率。
信息科技部：模型开发团队、模型部署团队。
系统改造（包括和总行系统对接，模型参数修改等）。
1.对接外部数据。
2.模型部署，信息科技部给个人部开账号。
标签：差距 缺失值 分行 风控 graphs 校验 策略 消费 建模
原文地址：https://www.cnblogs.com/ironan-liu/p/11826791.html
