在金融科技迅猛发展的浪潮中，信贷业务的风险控制已悄然完成了从 “经验驱动” 到 “数据驱动” 的华丽转身。在这一转变过程中，A 卡（申请评分卡）、B 卡（行为评分卡）和 C 卡（催收评分卡）宛如风控体系中的 “三驾马车”，分别在贷前准入、贷中管理和贷后催收这三个关键环节发挥着不可替代的作用，共同构筑起一道坚固的全流程风险防线。

对于每一位风控从业者而言，深入理解这三张评分卡的构建逻辑、技术原理以及它们之间的协同机制，是打造精细化风控体系的核心所在。接下来，就让我们一同走进这三张评分卡的世界，由浅入深地探寻它们在信贷风控领域的奥秘。

一、A 卡：贷前准入的 “审核员”

A 卡在信贷风控的整个流程中，扮演着至关重要的 “守门员” 角色。它就像一道坚实的屏障，通过对申请人多维度数据的全面评估，精准判断其违约风险，从而决定是否给予准入资格以及初始的授信额度。这一环节直接关系到后续信贷业务的风险基础，其重要性不言而喻。

1.1 核心定位与数据基础

A 卡的核心定位是在客户申请信贷业务的初始阶段，对其进行全面的风险筛查，将高风险客户拒之门外，为金融机构筛选出优质的潜在客户。要实现这一目标，离不开丰富且高质量的数据支持。

A 卡的数据来源广泛，主要包括以下几类：

• 静态数据：这类数据相对稳定，能够反映申请人的基本情况，如年龄、收入、职业、征信记录等。年龄往往与还款能力和还款意愿存在一定关联，不同年龄段的客户在信贷风险上可能呈现出不同的特征；收入水平直接决定了客户的还款能力，是评估的重要指标；职业的稳定性和行业前景也会影响客户的收入稳定性，进而影响其还款能力；征信记录则是客户过往信用状况的直接体现，是判断其信用风险的关键依据。

• 动态数据：主要涵盖申请行为和反欺诈规则命中情况。申请行为中的 IP 地址、设备指纹等信息，能够帮助识别是否存在虚假申请、多头申请等欺诈行为。例如，同一 IP 地址在短时间内多次提交申请，就可能存在欺诈嫌疑。反欺诈规则命中情况则是通过预设的反欺诈模型，对申请信息进行校验，一旦命中相关规则，就需要对该申请进行重点核查。

• 外部数据：包括多头借贷信息、黑名单、法院被执行人信息等。多头借贷信息可以反映申请人在其他金融机构的借贷情况，若申请人存在过多的多头借贷，其还款压力会增大，违约风险也会相应提高；黑名单则是记录了有严重违约行为或欺诈行为的客户信息，一旦申请人出现在黑名单中，其申请往往会被直接拒绝；法院被执行人信息则表明申请人存在法律纠纷且未履行相关义务，这类客户的信用风险极高。

1.2 构建流程与关键技术

A 卡的构建是一个系统且严谨的过程，涉及样本划分、特征工程、模型训练以及模型监控与迭代等多个环节，每个环节都有其关键技术和要点。

1.2.1 样本划分与目标定义

样本划分和目标定义是 A 卡构建的基础，直接影响模型的准确性和有效性。

滚动率分析是确定坏客户标准的重要方法。通过统计不同逾期阶段（M0-M1-M2…）的转化比例，我们可以界定出坏客户的具体标准。例如，若 M3 客户中有 70% 会进一步恶化至 M4，那么我们就可以将 M4 + 定义为坏客户标签。这一标准的设定需要结合金融机构的风险偏好和业务实际情况，确保其能够准确识别出高风险客户。

Vintage 分析则是用于确定表现期的关键工具。按放款月份划分资产池，绘制逾期率随账龄变化的曲线，我们可以找到逾期率趋于稳定的账龄，将其确定为表现期。例如，某银行 2024 年 3 月放款批次在 7 个月后逾期率达 1.91%，且之后趋于稳定，那么就可以将 9 个月确定为表现期。通过 Vintage 分析，能够确保样本的好坏状态得到充分暴露，为模型训练提供可靠的样本数据。

1.2.2 特征工程与模型训练

特征工程是从原始数据中提取有价值特征的过程，而模型训练则是利用这些特征构建预测模型的关键环节。

特征筛选：通过 IV 值（信息价值）来筛选具有强预测性的特征是常用的方法。IV 值越高，说明该特征对目标变量的区分能力越强。例如，“近 6 个月查询次数” 的 IV=0.4，属于强区分特征，能够有效帮助识别客户的信用风险。在实际操作中，需要对大量的特征进行 IV 值计算和筛选，保留那些对模型预测有显著贡献的特征。

WOE 编码：将分类变量（如职业类型）转化为连续变量，能够增强模型的稳定性。例如，“学生” 群体的 WOE 值为 - 0.8，这一数值反映了其相对较高的违约倾向。通过 WOE 编码，使得分类变量能够更好地融入模型的计算过程，提高模型的预测精度。

模型选择：逻辑回归因其可解释性强的特点，仍是 A 卡构建的主流算法。某消费金融公司的 A 卡 KS 值达 42，AUC 为 0.85，这一结果显著优于随机猜测，表明该模型具有较好的风险识别能力。当然，随着机器学习技术的发展，一些复杂的算法如随机森林、梯度提升树等也开始在 A 卡构建中得到应用，但逻辑回归在可解释性方面的优势使其在监管要求较高的场景中仍占据重要地位。

1.2.3 模型监控与迭代

模型构建完成后，并非一劳永逸，还需要进行持续的监控和迭代优化，以适应不断变化的市场环境和客户特征。

跨时间验证：定期测试模型在新样本中的表现是必不可少的。若 KS 值从 40 降至 25，就需要及时排查是否存在特征漂移或客群变化等问题。特征漂移是指特征的分布随着时间发生了显著变化，导致其对目标变量的预测能力下降；客群变化则是指申请客户的结构发生了改变，使得模型的适用性降低。通过跨时间验证，能够及时发现这些问题，并采取相应的措施进行调整。

子模型开发：针对不同客群（如白户、高风险客群）定制子模型，能够提升细分市场的风险识别能力。白户由于缺乏征信记录，传统的 A 卡模型可能难以准确评估其风险，通过构建专门的白户子模型，可以利用其他替代数据对其进行风险评估；对于高风险客群，子模型可以更加聚焦于其风险特征，提高风险识别的准确性。

二、B 卡：贷中管理的 “贷后监控器”

如果说 A 卡是贷前的 “守门员”，那么 B 卡就是贷中管理的 “动态调节器”。它通过实时捕捉客户在贷后的各种行为数据，动态调整授信策略，在保证风险可控的前提下，实现信贷业务的精细化管理。

2.1 核心价值与数据维度

B 卡的核心价值在于能够实时跟踪客户的贷后行为变化，及时发现潜在的风险，并根据客户的信用状况动态调整授信额度和信贷政策，从而实现风险与收益的平衡。

B 卡的数据来源主要包括以下几个维度：

• 还款行为：如还款及时性、最低还款比例等。还款及时性直接反映了客户的还款意愿和还款能力，连续逾期的客户往往存在较高的风险；最低还款比例则可以反映客户的资金周转情况，长期使用最低还款的客户可能存在一定的还款压力。

• 消费行为：包括信用卡账单金额、电商平台消费频次等。信用卡账单金额的变化可以反映客户的消费能力和负债情况；电商平台消费频次则可以从侧面了解客户的生活状态和经济活跃度。

• 设备行为：如 App 登录频率、地理位置变化等。App 登录频率可以反映客户对信贷产品的关注度和使用情况；地理位置变化则可以帮助识别客户是否存在异常活动，如突然前往高风险地区等。

2.2 模型构建与策略应用

B 卡的模型构建和策略应用需要紧密结合客户的行为特征，实现动态、精准的风险管理。

2.2.1 行为特征提取

时间序列特征：通过计算 “近 3 个月平均还款延迟天数”“消费金额波动率” 等指标，能够有效反映客户还款能力和消费习惯的变化。例如，近 3 个月平均还款延迟天数逐渐增加，可能意味着客户的还款能力出现了问题；消费金额波动率较大，则可能反映客户的消费行为不稳定，存在一定的风险。

社交网络数据：通过支付宝转账记录、微信好友数量等社交网络数据，可以评估客户的社交信用。频繁向高风险用户转账的客户，其自身的信用风险也可能较高，B 卡评分可能会下调 10-15 分。社交网络数据为评估客户信用提供了新的视角，能够弥补传统数据的不足。

2.2.2 动态调额逻辑

评分分段策略：将客户按照 B 卡评分分为 4 档（优秀、良好、关注、高风险），并对应不同的额度调整幅度，分别为 + 20%、+10%、-10%、冻结。这种分段策略能够根据客户的信用状况进行差异化的额度管理，对于优秀客户给予额度提升，激励其良好的信用行为；对于高风险客户则采取冻结额度的措施，控制风险扩散。

触发条件：当客户连续 2 期最低还款时，自动触发 B 卡重评。若评分下降至关注档，则降低额度 30%。通过设置明确的触发条件，能够及时对客户的信用变化做出反应，避免风险累积。

2.2.3 老客运营与风险平衡

交叉营销：对 B 卡评分上升的客户推送大额分期产品，其转化率较随机推送提升 40%。这一策略充分利用了 B 卡对客户信用状况的评估结果，将合适的产品推送给合适的客户，在提升业务量的同时，也降低了营销风险。

风险预警：若客户突然出现大额消费（如单笔超月收入 3 倍），系统自动发送风险提示短信，并限制后续交易。通过及时的风险预警和干预措施，能够有效防范客户因过度消费而导致的违约风险。

三、C 卡：贷后催收模型

当客户出现逾期行为后，C 卡就如同贷后催收的 “精准手术刀”，通过预测逾期客户的还款意愿和能力，优化催收策略，最大限度地降低坏账损失。

3.1 核心目标与模型分类

C 卡的核心目标是提高催收效率，降低坏账率。为了实现这一目标，C 卡主要包括以下三大模型方向：

• 迁移率模型：预测 M1 客户恶化至 M2 的概率。若某批次迁移率达 60%，则说明该批次客户的风险较高，需要加大催收力度，防止风险进一步恶化。通过迁移率模型，能够提前识别出高风险的逾期客户群体，为催收资源的合理分配提供依据。

• 还款率模型：通过历史数据训练，预测不同催收手段（如电话、短信、上门）的回款概率。利用这一模型，金融机构可以根据不同客户的特点选择最有效的催收手段，提高催收成功率。例如，对于还款意愿较强但暂时资金困难的客户，短信催收可能更为有效；而对于恶意拖欠的客户，则可能需要采取上门催收等更严厉的措施。

• 失联模型：通过数据挖掘（如运营商通话记录）、关联方突破（如紧急联系人）等方式定位失联客户。失联客户的催收是贷后管理中的一大难题，失联模型的应用能够提高失联客户的找回率，增加回款的可能性。

3.2 催收策略与合规实践

在催收过程中，既要提高催收效果，又要严格遵守相关法律法规，确保催收行为的合法合规。

3.2.1 失联客户定位

数据挖掘：通过电商收货地址、社保缴纳记录等数据，定位客户新手机号或常用地址。例如，某客户近期网购地址为 XX 小区，催收人员可据此发送催收函。这些数据能够为失联客户的定位提供重要线索，提高催收的针对性。

司法介入：申请支付令冻结支付宝、微信账户，触发失信惩戒，迫使客户还款。某平台通过这一策略，失联客户回款率提升 25%。司法介入是催收过程中的重要手段，但需要严格按照法律程序进行，确保合法合规。

3.2.2 分层催收与资源分配

风险等级划分：按 C 卡评分将逾期客户分为 4 层，高风险客户优先分配经验丰富的催收员，低风险客户由 AI 机器人催收。这种分层催收的方式能够实现催收资源的优化配置，提高整体催收效率。经验丰富的催收员能够更好地应对高风险客户的复杂情况，而 AI 机器人则可以高效处理低风险客户的催收工作。

话术优化：针对不同还款意愿客户设计话术，如对有还款能力但拖延的客户，强调 “逾期记录将影响子女教育”。合适的话术能够提高客户的还款意愿，促进催收工作的顺利开展。

3.2.3 合规与效率平衡

禁止行为：在催收过程中，必须严格禁止威胁 “子女无法考公”、伪造法院文书等违规手段。这些行为不仅违反法律法规，还会损害金融机构的声誉，引发不必要的法律风险。

替代方案：通过 “国家反诈中心” 平台发送法律通知，确保催收行为合法合规。这种方式既能够起到警示客户的作用，又符合相关规定，实现了合规与效率的平衡。

四、三张卡的协同机制与实战案例

A 卡、B 卡和 C 卡并非孤立存在，它们之间通过数据共享和策略联动，形成了一个覆盖信贷全生命周期的风控闭环，共同守护着金融机构的信贷安全。

4.1 全流程风险控制体系

贷前：A 卡严格把关，拒绝高风险客户，将通过率控制在 60%-70%，从而将坏账率压降至 2% 以下。这为后续的贷中管理和贷后催收奠定了良好的基础，从源头上控制了风险。

贷中：B 卡每月对 10% 的活跃客户进行重评，根据客户的行为变化动态调整额度。这一措施使得额度使用率提升 15%，同时能够提前预警潜在风险客户，及时采取措施防范风险。

贷后：C 卡通过优化催收策略，将入催率从 30% 降至 20%，出催率从 40% 提升至 55%，整体坏账回收率提高 12 个百分点。有效降低了坏账损失，保障了金融机构的资产安全。

4.2 某银行实战案例

某股份制银行通过 A 卡、B 卡和 C 卡的协同应用，取得了显著的成效：

A 卡优化：引入运营商通话数据（IV=0.35）后，KS 值从 35 提升至 42，成功拒绝了 5% 的高风险客户，年化收益增加 8000 万元。这一案例充分体现了优质数据对 A 卡模型优化的重要性，通过引入新的数据源，提高了模型的风险识别能力。

B 卡动态调额：对消费稳定的客户主动提额，带动信用卡交易量增长 25%；对异常消费客户及时降额，使欺诈损失减少 30%。B 卡的动态调额功能在提升业务量的同时，有效控制了风险，实现了风险与收益的平衡。

C 卡智能催收：失联客户回款率从 15% 提升至 30%，催收成本降低 20%。C 卡的应用提高了催收效率，降低了催收成本，为银行挽回了大量损失。

五、挑战与未来趋势

尽管 A 卡、B 卡和 C 卡在信贷风控中发挥着重要作用，但在实际应用过程中，仍然面临着一些挑战，同时也呈现出一些新的发展趋势。

5.1 当前痛点

数据质量：多头借贷数据不全、第三方数据接口不稳定等问题，严重影响了模型的准确性。数据是风控模型的基石，数据质量的不足会导致模型预测结果出现偏差，增加金融机构的风险。

模型迭代：随着客群下沉，样本分布发生变化，需要每月更新模型参数，这使得人力成本高企。客群下沉是信贷业务发展的趋势，但也给模型迭代带来了巨大的压力，如何在保证模型准确性的前提下降低迭代成本，是风控从业者面临的一大难题。

黑产对抗：AI 生成的 “仿真人” 申请，使得传统规则难以识别，需要引入对抗生成网络（GAN）增强模型鲁棒性。黑产技术的不断升级，对风控模型的安全性提出了更高的要求，金融机构需要不断提升自身的技术水平，以应对日益复杂的欺诈手段。

5.2 技术演进方向

联邦学习：在数据不出域的前提下，联合多家机构建模，能够提升白户预测能力。联邦学习解决了数据孤岛问题，使得不同机构之间可以在保护数据隐私的前提下共享数据价值，为白户等特殊客群的风险评估提供了新的思路。

大模型应用：腾讯云金融风控大模型通过 MaaS（模型即服务），将模型开发周期从 3 个月缩短至 2 周，KS 值提升 8 个百分点。大模型的应用极大地提高了模型开发效率和性能，为风控模型的快速迭代和优化提供了有力支持。

实时决策引擎：结合流式计算技术，实现毫秒级风险响应，能够拦截 99% 的实时欺诈交易。实时决策引擎能够快速处理海量的实时数据，及时发现并拦截欺诈行为，为信贷业务的安全运行提供了实时保障。

结语

A 卡、B 卡、C 卡在信贷风控体系中各司其职，又紧密协同，共同构成了覆盖信贷全生命周期的风控闭环。它们就像三位经验丰富的 “卫士”，分别在贷前、贷中、贷后环节守护着金融机构的资产安全。

未来，随着人工智能、区块链等新技术的深度融合，这三张评分卡将向智能化、自适应方向不断演进，成为金融机构抵御风险、提升效率的核心竞争力。作为风控从业者，我们需要持续关注技术前沿，在合规框架下不断创新应用，才能在复杂多变的市场环境中站稳脚跟，为信贷业务的健康发展保驾护航。

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。