编辑导语：风控模型的应用场景非常广泛，只要牵扯互联网金融的行业就少不了风控，风控模型建好后还要映射到信用分数空间，才能呈现给用户；本文作者分享了详细的建模方法，教你如何建立模型分数，我们一起来看一下。

目前在个人信用风控建模领域主要使用的模型有两种：

1. 基于线性回归分析的评分卡模型，常见于银行背景的放贷机构；
2. 基于大数据的机器学习模型，如随即森林、XGBoost等，常见于互联网金融领域。

这两种建模方法无论哪种都需要将模型结果映射到信用分数空间，最终呈现给用户一个能够表征信用的分数，比如国内的芝麻分、美国的FICO分。

那么问题来了，模型结果和分数同样都是数值，为什么不直接呈现模型结果？为什么还要进一步转化为分数？为什么使用分数校准？

本文的目的就是要让你知其然也知其所以然。

深入到业务中，带你一步步搞懂分数映射产生的背景以及分数校准背后的业务需求；在了解了业务之后，你就会发现分数的意义和映射方法的内在逻辑。

一、分数映射的产生——一款产品一个模式

先从最简单的情况入手，假设我们现在成立了一家小信贷公司，推出一款借贷产品，详情如下：

（该产品数值仅作示意，不代表真实情况）

此时我们要解决的第一个问题是：如何让这款产品盈利？

信贷业务能够盈利的关键是还款人的利息能够覆盖坏账损失（不能收回的各种应收款项）。

也就是说要尽可能的把钱借给信用良好、按时还款的用户以保证产品盈利。

在产品参数确定后，逾期率是保证产品盈利的唯一影响因素。

这里要提一下关键的一点：如何定义逾期率？

在信贷领域通常逾期超过60天的用户基本上就不会再还钱了，自然的我们就可以通过逾期超过60天的比例来衡量用户的好坏程度。

在机器学习建模时，有时为了增加坏账样本的数量，也会将逾期超过30天的比例定义为逾期率。