信用评分卡介绍
申请评分卡和规则
申请评分卡和规则
评分卡和规则是一种常用的信用评估工具，用于对个人或机构的信用状况进行评估和判定。
它通过设定一系列的评分指标和规则，对申请人的各项信息进行综合评定，从而确定其信用等级或授信额度。
评分卡的制定过程需要经过数据收集、特征选择、模型构建和评估等多个步骤。
首先，需要收集申请人的个人信息、财务状况、职业背景等数据，并对这些数据进行初步的筛选和加工，以确定最相关的特征。
然后，根据这些特征构建评分模型，可以使用统计方法或机器学习算法进行建模。
最后，需要对评分模型进行评估和验证，确保其准确性和稳定性。
评分规则是评分卡中的核心部分，它决定了不同特征值对信用评分的贡献程度。
评分规则通常采用线性加权的方式，根据每个特征的权重和对应的特征值进行加权求和，得到最终的信用评分。
为了确保评分规则的准确性和可解释性，需要经过多次试验和调整，以找到最优的规则。
评分卡和规则在信用评估中起到了至关重要的作用。
它可以帮助金融机构有效地识别风险，减少信用风险，同时也为客户提供了一种公正和透明的信用评估标准。
通过评分卡和规则，金融机构可以更好地管理风险，提高贷款审批的效率和准确性。
评分卡和规则是一种重要的信用评估工具，通过对申请人的各项信
息进行评估和判定，确定其信用等级或授信额度。
它在金融机构的风险管理和信用决策中起到了至关重要的作用，同时也为客户提供了一种公正和透明的信用评估标准。
评分卡和规则的制定需要经过数据收集、特征选择、模型构建和评估等多个步骤，并且需要经过多次试验和调整，以找到最优的规则。
信用风险评估的常见模型分析
信用风险评估的常见模型分析随着社会的进步和经济的发展，信用风险评估越来越受到金融机构和企业的重视。
信用风险评估是指对借款人或者投资者的信用状况进行评估，以确定其还款能力和借款偿付能力的一种方法。
而信用风险评估主要就是通过对借款人的信用记录、借款人的经济状况、行业环境、政策法规等的综合分析，对借款人的信用情况进行评估。
信用风险评估有多种方法和模型，常见的有以下几种：一、德文-肯德尔模型德文-肯德尔模型（Duffie-Singleton-Kendall Model, DSK）是一种基于股票价格模型的信用风险评估方法。
它的核心思想是通过计算公司财务数据与市场指数之间的差别，从而测量其财务风险和信用风险。
在德文-肯德尔模型中，借款人的违约概率是基于公司股票的波动率来确定的，如果波动性越高，那么违约风险就越高。
二、评分卡模型评分卡模型是一种应用非常广泛的信用风险评估方法。
它是通过对大量客户历史数据进行细致的分析和模型建立，通过将客户的多个维度信息进行权重评估并变成得分卡的形式，进而对未来客户的风险程度进行精准过滤，从而为金融机构和企业提供可靠信用风险评估的依据。
一般来说，评分卡模型中会有多个变量作为考察维度，比如说客户的年龄、性别、职业、信用纪录、社会评价、资产、暴露于风险的程度等等。
三、基于机器学习的模型基于机器学习的模型是一种新兴的信用风险评估方法。
它是基于大数据和机器学习技术，利用人工神经网络、逻辑回归、支持向量机等算法进行建模，并将模型应用于信用评估中。
当然，这种模型的建立需要考虑到多个维度的因素，如特征选择、数据预处理、模型选择、交叉验证等等。
综上所述，信用评估是贷款和投资等金融和商业活动中最为关键的环节之一。
而要对借款人或投资者的信用状况进行评估，我们需要使用一些有效的模型方法。
当前常见的信用风险评估模型包括德文-肯德尔模型、评分卡模型、基于机器学习的模型等等，每种方法都有其优点和局限性，对于不同的金融机构或企业而言，选择合适的模型方法非常重要。
信用评分卡的应用场景
信用评分卡的应用场景
信用评分卡是一种用于评估个人或机构信用风险的工具，主要通过对一系列评分项的综合评估，给予被评估对象一个信用分数。
这种模型的应用场景广泛，包括但不限于以下几个方面：
信贷评估：银行和其他金融机构使用信用评分卡来评估贷款申请人的信用风险。
这有助于确定借款人的还款能力和信用历史，以更好地决定是否批准贷款以及借款利率的设定。
信用卡申请：信用评分卡在信用卡申请中也得到广泛应用。
银行使用这些模型来评估申请人的信用状况，决定是否发放信用卡，以及设定信用额度和利率。
房屋贷款：在房地产领域，银行和抵押公司使用信用评分卡来评估房屋贷款申请人的信用风险。
这有助于确保贷款的偿还风险较低。
零售分期付款：在零售业，信用评分卡可用于评估顾客在购买商品时选择分期付款的信用情况。
这有助于零售商更好地了解客户的偿还能力。
租房申请：房东或房屋租赁公司可能使用信用评分卡来评估租客的信用状况，确保租户有能力按时支付租金。
就业背景调查：有些雇主可能使用信用评分卡来评估求职者的信用历史，尤其是涉及到财务或敏感职位的招聘。
保险业：在某些情况下，保险公司可能使用信用评分卡来评估投保人的信用状况，从而确定保险费率。
电信业务：电信公司可能使用信用评分卡来评估用户在签署合同时的信用风险，尤其是在提供手机合同和套餐时。
总的来说，信用评分卡的应用场景涉及到与信用风险相关的各个领域，以帮助机构更精确地评估个人或机构的信用状况，从而做出更
明智的决策。
银行信用评估模型介绍
银行信用评估模型介绍银行信用评估模型是银行业务中重要的工具，用于评估借款人的信用状况及其还款能力。
它通过对借款人的个人信息、财务状况和历史信用记录等数据进行分析和预测，为银行在贷款审批和风险管理中提供参考依据。
本文将介绍几种常见的银行信用评估模型。
一、传统评分卡模型传统评分卡模型是一种经典的银行信用评估模型，以FICO（Fair Isaac Corporation）信用评分模型为代表。
该模型通过对借款人不同特征指标进行加权评分，从而得出整体的信用评分。
这些指标可以包括借款人的年龄、性别、婚姻状况、工作经验、收入状况等。
通过建立样本数据库并对其进行回归分析，确定各指标对信用风险的影响程度，进而得出一个综合的信用评分。
这个评分可以代表借款人的信用等级，方便银行进行信用审批和贷款定价。
二、行为评分模型行为评分模型是基于借款人在银行进行交易活动的数据，如账户余额、存取款频率、贷款还款情况等，来评估其信用状况的模型。
这种模型更加关注借款人的行为表现，通过对交易数据进行统计分析，识别出与高风险行为相关的特征，从而为银行提供对借款人的信用评估。
与传统评分卡模型相比，行为评分模型更加注重借款人的实际行为，可以更精准地评估其信用风险。
三、机器学习模型随着人工智能和大数据技术的发展，机器学习模型在银行信用评估中得到了广泛应用。
机器学习模型可以通过分析大规模的数据集，发现其中隐藏的模式和规律，从而预测借款人的信用风险。
这些模型可以利用多种算法进行训练和优化，如决策树、支持向量机、神经网络等。
相比传统评分卡模型和行为评分模型，机器学习模型更加灵活和准确，可以处理更加复杂的信用评估场景。
四、区块链信用评估模型区块链技术作为一种去中心化的分布式账本技术，正在逐渐应用于信用评估领域。
区块链信用评估模型的特点是更加透明和可追溯，可以消除信息不对称的问题，提高信用评估的准确性和可信度。
借助区块链技术，银行可以实时获取和验证借款人的交易数据和信用记录，更好地判断其信用状况和还款能力。
评分卡模型
评分卡模型0 引言信用评分模型是消费信贷管理中的先进的技术手段，是银行、信用卡公司、个人消费信贷公司、电信公司、水电服务公司、保险公司等涉及消费信用的企业实体最核心的管理技术之一。
被广泛应用于信用卡生命周期管理、汽车贷款管理、住房贷款管理、个人贷款管理、其他消费信贷管理等领域，在市场营销、信贷审批、风险管理、账户管理、客户关系管理等各个方面都发挥十分重要的作用。
信用评分模型运用先进的数据挖掘技术和统计分析方法，通过对消费者的人口特征、信用历史记录、交易记录等大量数据进行系统的分析，挖掘数据中蕴含的行为模式、信用特征，捕捉历史信息和未来信用表现之间的关系，发展出预测性的模型，以一个信用评分来总和评估消费者未来的某种信用表现。
信用评分本质上是模式识别中的一类分类问题将企业或个体消费者划分为能够按期还本付息(即“好”客户)和违约(即“坏”客户)两类。
具体作法是根据历史上每个类别(如期还本付息、违约)的若干样本,从已知的数据中找出违约及不违约者的特征,从而总结出分类的规则,建立数学模型,用于测量借款人的违约风险(或违约概率),为消费信贷决策提供依据。
1 基于Logistic回归分析的客户信用评价卡模型本文将采用 Logistic 逻辑回归分析方法对小额贷款公司的客户信用进行评价。
首先，建立信用评价模型，给出客户信用评分卡模型，并对客户样本进行初步分类预测。
下面的理论基础和变量选择都以该小额贷款公司为例。
1.1 建模的准备1.1.1 目标变量的定义研究的目标变量为客户是否具有“违约”行为，本文是以客户逾期未归还贷款定义为“违约”行为（即“坏”客户）。
1.1.2 定量指标的筛选方法第一种定量指标的筛选方法：用随机森林法寻找自变量中对违约状态影响最显着的指标。
第二种定量指标的筛选方法：计算变量间的相对重要性，并通过相对重要性的排序，获取自变量中对违约状态影响最显着的指标。
第三种定量指标的筛选方法：通过自变量间的广义交叉验证法，获取自变量中对违约状态影响最显着的指标。
信用卡风险管理中的评分卡研究及应用分析
信用卡风险管理中的评分卡研究及应用分析随着消费者信用卡使用率的不断提高和信用风险的日益增加，银行业对信用卡风险管理的重视程度也不断提高。
评分卡作为一种可靠的信用风险评估工具，已经在银行业广泛应用。
本文将从评分卡的概念、构建、应用等方面进行分析。
评分卡的概念及发展所谓评分卡，是一种将客户个人信息和历史信用行为数据结合在一起，按照一定的模型进行分析，制定出一套信用风险评估标准的工具。
评分卡作为现代信用风险管理的核心措施，其概念早已在国内外学术界得到广泛认识。
评分卡的发展历程可追溯到上世纪50年代，当时美国的信贷机构为了限制客户用信风险，开始采取评分卡模型进行信用风险评估，并随着技术的不断发展，评分卡的构建也在不断完善。
目前评分卡的应用涵盖了很多领域，尤其是在金融领域得到了广泛应用。
评分卡经过长期的发展，不断提高了信用风险预测的准确性，为企业在风险决策中提供了有力的支持。
评分卡的构建评分卡的权重分配是评分卡模型构建的关键环节。
评分卡的构建流程大致可以分为以下四个步骤：数据采集——变量筛选——模型建立——模型验证预测。
数据的采集是评分卡构建的第一步，目标是收集客户账户信息及历史信用行为数据。
数据的质量和完整性对于构建评分卡至关重要，银行在数据采集时需要对数据的正确性和完整性加以考虑。
变量筛选是评分卡构建的第二步。
所谓变量筛选就是选择在模型中使用的变量。
变量选择是评分卡构建的一个关键环节，评分卡变量选择的首要目标是找到一组具有区分能力的变量。
一般来说，评分卡中的变量包括个人基本信息和历史行为变量。
个人基本信息变量包括性别、年龄、职业、婚姻状况；历史行为变量包括征信记录、借记卡使用情况等。
模型建立是评分卡构建的第三步。
根据所选变量，建立评分卡模型，模型建立是构建评分卡的核心环节。
模型构建可以选择多种模型，如Logistic回归、神经网络等。
使用不同的模型可以得到不同的结果，但是最终目的是为了得到一套适合自己的信用风险评估标准。
信贷风控流程中的三种评分卡
催收评分卡任务
更有效地制定催收策略 优先处理高风险债务 提高追回欠款的成功率。
信贷风控流程中的三种评分卡
评分卡类型
申请评分卡 贷中行为评分卡 贷后催收评分卡
申请评分卡
申请评分卡
适用于首次申请贷款或信用卡的新客户 数据：个人信息、就业情况、收入水平、征信报告、还款历史等。 方法：统计学和机器学习等方法，找出与客户违约风险相关的关键因素 坏账定义：逾期90天以上 表现窗口：开户开始的12到24个月
申请评分卡作用
确定是否批准客户的申请 协助进行尽职调查
行为评分卡
行为评分卡
适用于现有客户，以评估客户是否会在贷款还款中出现违约。 表现窗口：6到18个月 根据客户的行为数据和信金和利润评估
主要任务
贷中额度管理：预测用户违约概率及时增加或减少用户可用的信用额度 坏账准备和利润评分 贷款续约
A卡和B卡的主要差异
申请评分卡主要适用于新客户（1年以下）；不需要精确校准的违约概率 行为评分卡主要应用于存量客户（1年以上）；需要校准好的违约概率
催收评分卡
催收评分卡
用于评估债务人催收风险的工具 预测在给定一定天数内已经逾期的贷款，将在另一个给定的天数内再次逾期的概率。 为了预测一个月的表现窗口而构建的。 通过收集债务人的相关信息和历史还款数据，并结合统计分析和机器学习技术，催收评 分卡可以预测债务人是否有可能逾期或无法按时还款。
评分卡模型原理
评分卡模型原理
评分卡模型是一种广泛应用于风险管理领域的信用评分模型，其主要原理是通过对申请人或客户的相关信息进行量化分析，构建一个综合评分体系，以评估其信用风险水平。
评分卡模型的建立包括以下几个步骤：
数据准备：收集与申请人或客户相关的各种信息，包括个人基本信息、财务信息、信用历史、就业情况等，构建数据集并进行清洗和预处理。
变量选择：根据数据集的特点，选择对评分结果具有较高预测能力的变量，包括定性变量和定量变量。
变量分箱：对选择的变量进行分箱处理，将连续变量离散化，构建离散变量，方便后续模型的建立。
模型建立：采用统计学方法，如逻辑回归、决策树等，基于数据集和选定的变量，构建评分模型，并确定模型的阈值。
模型评估：使用验证数据集对模型进行评估和校准，确保模型的预测能力和稳定性。
应用部署：将建立好的评分卡模型应用于实际业务场景，通过对客户进行评分，实现风险识别和管理。
评分卡模型可以广泛应用于信贷、保险、消费金融等领域，可以对申请人或客户的信用风险进行准确评估和控制，降低风险损失和经营成本，提高业务效益和风险管理能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
信用评分卡信用评分是指根据银行客户的各种历史信用资料，利用一定的信用评分模型，得到不同等级的信用分数，根据客户的信用分数，授信者可以通过分析客户按时还款的可能性，据此决定是否给予授信以及授信的额度和利率。
虽然授信者通过人工分析客户的历史信用资料，同样可以得到这样的分析结果，但利用信用评分却更加快速、更加客观、更具有一致性。
一、引进信用评分卡的目的及意义1、由于零售信贷业务具有笔数多、单笔金额小、数据丰富的特征，决定了需要对其进行智能化、概率化的管理模式。
信用评分模型运用现代的数理统计模型技术，通过对借款人信用历史记录和业务活动记录的深度数据挖掘、分析和提炼，发现蕴藏在纷繁复杂数据中、反映消费者风险特征和预期信贷表现的知识和规律，并通过评分的方式总结出来，作为管理决策的科学依据。
2、目前国内大多数银行信用卡部门采取人工审批作业形式，审批依据是审批政策、客户提供的资料及审批人员的个人经验进行审批判断，存在以下问题：（1）信审人员对申请人所提交申请资料真实性的认定基本依赖于受理申请资料的信贷业务员的职业操守和业务素质，审批人员对申请人资料的核实手段基本依赖于电话核查，对申请核准与否基本依赖于自己的信审业务经验，授信审查成本高、效率低而又面临很大的欺诈风险，这种状况很难应对年末所谓的“行业旺季”中大规模集中的小额贷款业务需要。
（2）审批决策容易受主观因素影响、审批结果不一致，审批政策调控能力相对薄弱。
（3）不利于量化风险级别，无法进行风险分级管理，影响风险控制的能力及灵活度，难以在风险与市场之间寻求合适的平衡点。
（4）审批效率还有较大提升空间。
3、信用评分卡具有客观性，它是根据从大量数据中提炼出来的预测信息和行为模式制定的，反映了借款人信用表现的普遍性规律，在实施过程中不会因审减少了审批员过去单凭个人好恶和情绪等改变，个人偏见、批人员的主观感受、．人工经验进行审批的随意性和不合理性。
4、信用评分卡具有一致性，在实施过程中前后一致，无论是哪个审批员，只要用同一个评分卡，其评估和决策的标准都是一样的。
5、信用评分卡具有准确性，它是依据大数原理、运用统计技术科学地发展出来的，预测了客户各方面表现的概率，使银行能比较准确地衡量风险、收益等各方面的交换关系，找出适合自己的风险和收益的最佳平衡点。
6、运用信用评分卡可以极大地提高审批效率。
由于信用评分卡是在申请处理系统中自动实施，只要输入相关信息，就可以在几秒中内自动评估新客户的信用风险程度，给出推荐意见，帮助审批部门更好地管理申请表的批核工作，对于业务批量巨大、单笔业务金额较小的产品特别适合。
二、信用评分模型的简介信用评分模型的类型较多，比较使用的3个如下：（1）在客户获取期，建立信用局风险评分，预测客户带来违约风险的概率大小；（2）在客户申请处理期，建立申请风险评分模型，预测客户开户后一定时期内违约拖欠的风险概率，有效排除了信用不良客户和非目标客户的申请；（3）在帐户管理期，建立催收评分模型，对逾期帐户预测催收策略反应的概率，从而采取相应的催收措施。
三、信用评分卡的开发信用评分模型开发流程包括模型的设计与规划、样本的选择、预测变量的选择和确定、模型的制定、模型效果的评估和检验、模型的实施、模型表现的跟踪和监控等。
（1）建立开发目标、方法及业务问题的定义开发目标：1、确保决策的一致性，减少人工干预，提高信贷政策的执行力；2、准确反映并量化客户的风险级别，用科学的方法管理风险以控制和减少信贷损失；在控制可接受的风险水平的同时争取更多优质客户，提高市场竞争能力，、3．有效地提高市场占有率；4、实现审批流程自动化，减少运营成本。
业内通常使用逻辑回归方法建模型建立方法：建立模型可采用的方法很多，立贷款申请评分模型。
好、坏客户定义：好、坏客户的定义必须与银行总体政策、管理目标一致，90综合考虑风控策略、催收策略、业务历史、样本数量的需要，如定义曾经有天以上逾期记未出现90定义满天以上逾期不良记录的客户为坏客户；12个月，录的客户为好客户。
）确定数据源，选取样本（2 数据来源：内部信用卡核心系统数据库和其它相关业务系统；总6月的所有申请人，月开始2006年1样本总数量：选取某地区从2004年数120，000人（包括好、坏客户及拒绝的申请客户）；样本空间：月之间开户的客户；月至2006年281、坏客户样本空间：2004年月之间开户的客户；月至2005年52、好客户样本空间：2004年6月之间申请被拒绝的客6月至2006年73、被拒绝客户样本空间：2005年户。
（3）数据抽取、清理和整理，建立数据集这一步是开发申请评分模型中最重要、最耗时的步骤之一。
数据质量好坏是决定开发的模型成功的关键因素。
在确定数据来源后，由于需要采集的数据资料来源不一，数据量大，抽取时耗时较多，就需要在原始数据的基础上，根据业务需求、数据性质、结构及内在逻辑，对数据进行归类、合并、分组，最终建立数据集（或数据仓库）。
（4）数据分析、变量选择及转换数据经过整理后下一步进行数据资料的分析，找出其内在关联性，并经过对样本变量的分组、合并和转换，选择符合建模条件、具有较强预测能力的变量。
如果是连续变量，就是要寻找合适的切割点把变量分为几个区间段以使其具有最强的预测能力。
例如客户年龄就是连续变量，在这一步就是要研究分成几组、这一步是评分模型非常重要也是最耗费时每组切割点在哪里预测能力是最强的。
．间的步骤。
如果是离散变量，每个变量值都有一定的预测能力，但是考虑到可能几个变量值有相近的预测能力，因此分组就是不可避免而且十分必要的。
通过对变量的分割、分组和合并转换，最终剔除掉预测能力较弱的变量，筛选出符合小额贷款实际业务需求、具有较强预测能力的变量，使建立的模型更加有效。
（5）创建评分模型利用上面分组后形成的最新数据集进行逻辑回归运算得到初始回归模型。
在回归模型的基础上，通过概率与分数之间的转换算法把概率转换成分数进而得到初始评分卡。
下一步要将初始评分卡经过拒绝推论，所谓拒绝推论，即申请被拒绝的客户数据未纳入评分系统，导致样本选取的非随机性，整体信用情况因此被扭曲，信用评分模型的有效性降低。
因为申请风险评分模型是用来评估未来所有借款申请人的信用，其样本必须代表所有的借款申请群体，而不仅代表信用质量较好、被批准的那部分客户的信用状况，所以样本必须包括历史上申请被拒绝的申请人，否则，样本空间本身就会出现系统性偏差。
因为样本排除了较高信用风险的申请人群体（即历史上申请被拒绝的客户）。
如果仅仅依靠被批准申请人群体的样本开发评分模型，并将其运用到整个申请人群体中去，而被批准和被拒绝群体的行为特征和“坏”的比例往往大相径庭，那么这种以被批准群体代表被拒绝群体的做法将必然在很大程度上弱化模型的预测精度。
进行拒绝推论时，由于这部分被拒绝申请人的好坏表现是不可知的，必须以一定的统计手段来推测。
推测的方法有很多，可以利用初始评分卡对这部分被拒绝客户进行评分，从而得出每个被拒绝客户如果被审批成为好客户的概率和坏客户的概率，再按其权重放入模型样本中，这样会尽量减少样本的偏差，同时兼顾拒绝样本的不确定性。
我们利用拒绝推论后形成的样本（包括核准和拒绝的）重新对每个变量进行分组，其原理和方法与初始分组相同。
然后对第二次分组形成的数据集建立逻辑回归模型。
最后在第二次回归模型的基础上，通过概率与分数之间的转换算法把概率转换成分数，进而得到最终评分卡。
（6）模型检验稳定性进行检验后才能运用到实际业需要对模型的预测能力、模型建立后，务中去。
申请评分模型的检验方法和标准通常有：交换曲线、K-S指标、Gini 数、AR值等。
一般来说，如果模型的K-S值达到30%，则该模型是有效的，超过30%以上则模型区分度越高，本例中模型的K-S值达到40%以上，已经可以上线使用。
（7）建立MIS报表，模型的实施、监控及调整模型实施后，要建立多种报表对模型的有效性、稳定性进行监测，如：稳定性监控报表，比较新申请客户与开发样本客户的分值分布，监控模型有效性；特征分析报表，比较当前和开发期间的每个记分卡特征的分布，监控模型有效性；不良贷款分析报表，评估不同分数段的不良贷款，并且与开发时的预测进行比较，监控客户信贷质量；最后分值分析报表，分析不同分数段的申请人、批准/拒绝以及分数调整的客户分布，监控政策执行情况等。
另外，随着时间的推移，申请评分卡的预测力会减弱，因为经济环境、市场状况和申请者、持卡者的构成在不断变化，同时，银行整体策略和信贷政策的变化也要求评分模型适时调整，所以，申请评分卡在建立后需要持续监控，在应用一段时间（一般2-3年）以后必须适当重新调整或重建。
四、运用信用评分卡需要注意的问题1、开展贷款业务的历史要长。
评分卡的发展必须以历史数据为依据，如果公司开展小贷业务的历史太短，数据不充分，则不具备开发评分卡的条件。
2、发展信用评分卡需要大量的数据，而且数据的质量要好。
如果数据很少，不具有代表性或数据质量很差，有很多错误，那么基于该数据的评分卡就不会准确，那么申请评分卡的发展就会受到制约。
3、数据的保存要完整小贷公司必须把历史上各个时期申请贷款的客户申请表信息、当时的信用报告记录等数据保存起来，不仅所有被批准的客户的数据要保存，被拒绝的申请者数据也应该保存，以进行模型的表现推测。
而且，保存的数据不仅要足以提炼出各种预测变量，还要能够辨别其表现（好、坏等）。
、信用评分卡只是提供了决策依据，不是决策本身。
4信用评分卡并不能告诉审批人员某个客户一定是好的或坏的，它只是告诉我们一定的概率，因此，对于有些客户的申请审批决定就必须综合信用报告等其它信息作出判断。
5、一张申请评分卡很难满足整个人群，需要针对不同人群建立单独的评分卡。
由于爱投在外地其他省份还有好几家分公司，存在着较大的地域差别，各地区经济发展也存在着较大差别，客户消费习惯有较大差异，如果使用一张申请评分卡就会造成信用评分的不真实。
6、时间越久，信用评分卡的有效性会降低，因为经济环境、市场状况和申请者、借款人的构成、业务的来源渠道在不断变化，使得样本人群的特质和属性发生改变，特别是在经济高速发展的阶段（或是股市大牛市阶段），人群的生活方式、消费习惯、经济状况等变化很快，申请评分模型在应用一段时间后通常会与初期模型产生偏移，所以需要适当重新调整，必要时还要重新开发，以保证信用评分卡的有效性。