信用卡评分分析

背景描述及需求

银行在市场经济中起着至关重要的作用。他们决定谁能获得资金，以什么条件获得资金，并决定投资决策的成败。为了让市场和社会发挥作用，个人和企业需要获得信贷。信用评分算法是银行用来决定贷款是否应该发放的一种方法，它对违约概率进行猜测。为了推进信用卡业务良性发展，减少坏账风险，各大银行都进行了信用卡客户风险识别相关工作，建立了相应的客户风险评分模型。

本案例分析的是通过预测某人在未来两年内遭遇财务困境的可能性，来提高自己在信用评分方面的水平。主要应用于相关融资类业务中新用户的主体评级，适用于个人和机构融资主体。本案例定义逾期90天以上就算作坏客户。

信用卡客户评分数据挖掘主要包括以下步骤：

1) 从银行获取信用卡相关信息；

2) 数据探索:探索整体数据分布和探索不同变量之间的关系；

3) 数据预处理工作:包括数据清洗、数据离散化、处理样本不平衡问题等操作；

4) 构建信用评分卡模型，计算各指标的分值及综合评分；

5) 根据评分结果，分析该银行的客户的信用风险情况。

实施过程

本案例数据集来源于kaggle赛题数据，共计15万条客户数据，包括信用客户和逾期客户，并对数据进行人工标注，标注分为两类，分别为：0（信用客户）和1（逾期客户）。字段说明见表2-1。

表2-1 字段说明

字段名称	类型	字段说明
SeriousDlqin2yrs	整型	好坏客户。取值为{0,1}
RevolvingUtilizationOfUnsecuredLines	浮点型	可用额度比值
age	整型	年龄
NumberOfTime30-59DaysPastDueNotWorse	整型	逾期30-59天笔数
DebtRatio	浮点型	负债率
MonthlyIncome	整型	月收入
NumberOfOpenCreditLinesAndLoans	整型	信贷数量
NumberOfTimes90DaysLate	整型	逾期90天笔数
NumberRealEstateLoansOrLines	整型	固定资产贷款量
NumberOfTime60-89DaysPastDueNotWorse	整型	逾期60-89天笔数
NumberOfDependents	整型	家属数量

数据接入

在实验中添加数据源节点，将评分卡客户数据读取进来，部分数据如图2-1所示。

图2-1 评分卡客户数据

为了方便理解本数据集每个特征的含义，使用元数据编辑节点，添加中文字段别名，更改后的输出如图2-2所示，流程图如图2-3所示。

图2-2

图2-3 流程图

数据探索

本案例的探索分析是对数据进行缺失值、重复值与异常值分析，分析出数据的规律以及异常值。

为了查看整体数据集数值型数据的情况，我们接入一个全表统计节点，选中所有数值型字段如图2-4，输出结果如图2-5所示，可以看到部分数据（月收入、家属数量）存在缺失值。可以看到“月收入”缺失达到近20%，“家属数量”缺失较少仅有2.6%的缺失。

图2-4

图2-5 数据缺失情况

为了统计所有数据中好坏客户的分布情况，选择聚合节点，选择分组计数，如图2-6，输出结果分布情况如图2-7所示。发现0类样本占有较大的比例，则需要考虑到样本不平衡问题。

图2-6

图2-7 好坏客户分布情况

通过全表统计节点查看所有数据的分布情况，查看各指标的直方图、箱线图分布情况，如图2-8所示。发现“年龄”的最小值居然是0，但是根据我们的常识，小于18岁是不能在银行办理信用卡或是贷款业务的。以及看到三个逾期天数指标（逾期30-59天、逾期60-80天，逾期90天）是存在比较严重的离群值的。

图2-8 直方图、箱线图

数据预处理

通过数据探索发现，月收入、家属数量这两个字段数据有部分空值、三个逾期天数指标存在异常值和部分数据可能有重复值。以及好坏客户的数据比例存在明显的不平衡现象，如果将这些数据直接进入模型，必然会对分析造成很大的影响，得到的结果的质量也必然是存在问题的。那么，在利用到数据之前就必须先进行数据预处理，把无价值的指标及数据去除。

1、去重复值

通过去除重复值节点将重复行的数据进行给去除，结果去除后结果如图2-9所示。

图2-9 去除重复值

2、空值处理

由于“家属数量”缺失较少，可直接使用中位数进行填充。“月收入”这个特征对于征信来说非常重要的，本案例采用随机森林填补法来填充，即将缺失的特征值作为预测值，将未缺失的“月收入”数据作为训练样本的标签。流程图如图2-10所示。

2-10 空值处理

3、异常值处理

根据探索分析发现年龄的最小值为0，通常我们知道年龄小于18岁是不能办理银行信用卡或者贷款业务的，并且发现三个逾期天数指标（逾期30-59天、逾期60-80天，逾期90天）是存在比较严重的离群值的。通过行选择节点筛选出年龄<18的数据分析发现仅有年龄=0的这一条数据，如图2-11所示。因此需要将年龄为0的数据进行删除过滤，如图2-12所示。

图2-11

图2-12 过滤与映射

通过行选择节点筛选出发现三个逾期指标出现的情况发生在相同的行，维度都是（225,11）。因此将其中一个异常指标过滤删除即可，如图2-13所示。

图2-13 过滤与映射

4、处理样本不平衡

通过图2-7所示发现，0:1=139974:10026，是存在严重的样本不平衡的。这是在金融风控中非常常见的，因为会存在严重违约的用户毕竟是少数。本案例采取SMOTE上采样的方法处理数据不平衡。通过python脚本进行编写，核心代码如图2-14所示。处理不平衡数据后通过聚合节点分析发现1类和0类数据达到平衡状态，如图2-15所示。