跳转至

A卡

在信贷风控体系中，A 卡（Application Score Card，申请评分卡）和 B 卡（Behavior Score Card，行为评分卡）是两套核心模型，它们的根本区别在于数据维度、评估时机以及预测目标。

1. 应用场景

A 卡的本质是“在用户申请的那一刻，量化其违约概率（PD）”。只要是基于“新申请”做出的决策，几乎都可以用到 A 卡分数。以下是 A 卡的其他关键应用场景：

  1. 自动审批决策（Auto-Decisioning）：这是 A 卡最基础也最重要的功能，直接决定“借还是不借”。
    • 自动通过（Auto-Approve）：A 卡分数高于高分阈值（如 >720），且无命中黑名单，系统直接秒批，无需人工介入。
    • 自动拒绝（Auto-Reject）：A 卡分数低于低分阈值（如 <600），系统直接拒贷，节省人工审核成本。
    • 人工复审（Manual Review）：A 卡分数处于“灰度区间”（如 600-720），系统无法直接判断，转交人工信审员进行电话核实或补充材料审核。
  2. 差异化进件渠道管理（Channel Segmentation）：不同渠道进来的用户质量不同，A 卡可用于渠道质量监控与分流。
    • 渠道准入：如果某广告渠道（如某短视频平台）进来的用户 A 卡平均分持续走低，坏账率高，可暂停该渠道投放。
    • 差异化策略：
      • 对 A 卡表现好的渠道（如银行存量客户转化），简化申请材料（免流水、免工作证明）。
      • 对 A 卡表现差的渠道（如某些长尾流量），加强验证步骤（增加人脸识别、强制读取通讯录等）。

  3. 反欺诈辅助与团伙识别（Fraud Detection Support）：虽然专业的反欺诈有专门的“反欺诈评分卡”，但 A 卡在申请环节也承担部分反欺诈职能。

    • 申请欺诈识别：A 卡模型中通常包含“信息一致性”、“设备指纹异常”等特征。如果用户填写的资料与历史行为严重不符，A 卡分数会极低，从而拦截**第一方欺诈**（用户骗贷）。
    • 关联风险预警：如果 A 卡发现申请人关联的手机号、设备 ID 曾出现在黑名单中，可直接阻断。

  4. 产品匹配与交叉销售（Product Matching / Cross-Selling）：当用户申请时，A 卡不仅判断“能不能借”，还能判断“适合借什么产品”。

  5. 产品分层：

    • 高分用户：推荐“低息、长期限、大额”的优质产品（如尊享贷）。
    • 中分用户：推荐“标准利率、中等额度”的常规产品。
    • 低分（但在及格线以上）用户：推荐“高息、短期限、小额”的防御性产品，或引导至担保类产品。
  6. 交叉销售：
    • 用户申请信用卡被拒（A 卡分不够），但分数尚可，系统可自动推荐“消费金融分期”或“小额现金贷”作为替代方案，避免客户流失。
  7. 额度/利率的“预校验”与“试算”（Pre-Check / Soft Pull）：在用户正式提交申请前（即 Pre-A 阶段延伸），利用 A 卡逻辑进行无损试探。
  8. 额度测算页：用户仅输入少量信息（如手机号、职业），后台跑一遍简化版 A 卡，展示“预估额度范围”。这能筛选掉明显不符合条件的用户，提高正式申请的转化率。
  9. 利率优惠券发放：根据 A 卡预评分，向高分潜在用户发送“利率打折券”，吸引其正式进件。
  10. 模型监控与早期预警（Early Warning in Application）：A 卡是监控资产质量变化的“晴雨表”。
  11. 客群漂移监控：如果某个月全量申请人的 A 卡平均分突然下降，说明进件客群质量恶化（可能是宏观环境变差，或营销部门引入了劣质流量），需立即调整准入策略。
  12. Cut-off 阈值调优：通过观察 A 卡分数段对应的实际逾期率（Bad Rate），动态调整通过分数线。例如，发现 650-680 分段的用户近期逾期激增，可临时将该段改为“人工审核”或直接拒绝。
  13. 监管合规与公平性审查（Compliance & Fair Lending）
  14. 拒绝原因代码（Adverse Action Code）：当 A 卡拒绝用户时，系统需根据模型特征权重，自动生成合规的拒绝理由（如“综合评分不足”、“负债过高”、“征信查询过多”），以满足监管告知义务。
  15. 歧视性检测：定期分析 A 卡在不同性别、地域、年龄群体的通过率差异，确保模型没有违反公平借贷原则（Fair Lending）
漏斗层级 A 卡的应用场景 核心动作
漏斗顶部 (引流) 渠道管理、预校验、产品匹配 筛选：只让合适的人进来
漏斗中部 (审批) 自动审批、反欺诈辅助、人工分流 决策：借或不借
漏斗底部 (成交) 授信、定价、额度/期限组合 定约：借多少、多少钱
漏斗外部 (监控) 客群漂移监控、拒绝原因生成、合规审查 优化：持续迭代策略

一句话总结：A 卡不仅是决定“给多少钱、收多少息”的计算器，更是整个信贷流程的总调度员，它决定了用户的准入资格、审核路径、产品归属以及最终的去留。

2. 与B卡的区别

维度 A 卡(申请评分卡) B 卡(行为评分卡)
全称 Application Score Card Behavior Score Card
触发时机 用户**提交贷款申请**的那一刻（贷前）。 用户**放款后**的存续期间（贷中），通常按月/季度运行。
核心数据 静态数据为主： 1. 申请表单信息（职业、收入、学历等）
2. 征信报告（历史逾期、负债、查询次数）
3. 外部大数据（多头借贷、反欺诈名单） (注：若是老客，也会包含部分历史表现，但核心仍是“本次申请资质”)		 动态数据为主： 1. 还款行为（是否逾期、逾期天数、还款金额占比）
2. 额度使用率（Utilization Rate）
3. 消费/取现行为模式 4. 近期征信变化（新增负债）
预测目标 违约概率 (PD)： 预测该用户在**未来 12-24 个月内**发生首次逾期（如 M1+）的概率。 存续期风险： 预测该用户在**未来 6-12 个月内**发生恶化（如从正常变为逾期，或逾期升级）的概率。
决策应用 准入与定价： 决定“借不借”、“给多少额度”、“定多少利率”。 存量管理： 决定“提额/降额”、“冻结/解冻”、“预警催收”、“交叉营销”。
样本定义 **好坏样本**基于“首逾”或“早期逾期”定义。 (例如：放款后 12 个月内出现 M1 以上逾期为坏) **好坏样本**基于“表现期内的状态迁移”定义。 (例如：当前正常但在未来 6 个月变逾期为坏)

2.1 案例：第2次申请算A卡还是B卡？

无论用户是第几次申请，只要用户主动发起了一笔新的借款请求（New Application），风控流程的首要环节必须使用 A 卡（或 A 卡的变种）来进行审批决策。

但是，针对“老客户第 2 次申请”，模型构建策略会有所不同，具体分两种情况：

场景一：第2次申请时，第1笔贷款【尚未结清】（在贷状态）

场景描述：用户有一笔正在还款的贷款，又申请了一笔新贷款（可能是增加额度，也可能是新的一笔现金贷）。

判定：属于 A 卡场景，但这是 老客 A 卡。

逻辑分析:

  • 动作本质：这是一次新的信贷契约建立过程，需要重新评估用户的 最新 偿债能力和意愿。
  • 数据融合：此时构建的 A 卡模型，特征工程中会 强依赖 B 卡的数据。
  • 不仅看征信，更看重用户在机构内部的 历史还款表现（这是最强的预测变量）。
  • 如果用户在第一笔贷款中表现极好（B 卡分数高），新申请的 A 卡分数会大幅加分，甚至实现“秒批”。

  • 如果用户第一笔贷款有轻微逾期，即便征信没变，新申请的 A 卡也会直接拒贷。

  • 行业术语：有些机构会将此类模型称为 Re-application Score Card (复借评分卡)，本质上它仍属于申请类模型（预测新债的风险），但它是 A 卡与 B 卡数据的混合体。

场景二：第2次申请时，第1笔贷款【已结清】

场景描述：用户还清了第一笔贷款，过了一段时间再次申请。

判定：属于 A 卡场景（老客回流）。

逻辑分析：

  • 虽然有过往记录，但既然上一段合约已结束，新的申请就是一次独立的“申请事件”。
  • 模型依然使用 A 卡架构，特征中包含“历史履约记录”。
  • 如果间隔时间过长（如超过 1-2 年），其权重可能降低，模型更接近于对新客的评估。
为什么不能直接用 B 卡做第 2 次申请的决策？

这是一个常见的误区。B 卡不能替代 A 卡用于审批新贷款，原因如下：

  1. 预测目标不同：
    • B 卡预测的是 “现有贷款会不会坏”。
    • A 卡预测的是 “新增这笔贷款会不会坏”。
    • 例子：一个用户目前的贷款还得很好（B 卡分数高），但他最近在外面疯狂借网贷（多头借贷激增），负债率已经爆表。此时 B 卡可能显示他是优质客户，但 A 卡会因为他“新增负债能力不足”而拒绝他的第 2 次申请。
  2. 数据时效性不同：
    • B 卡通常基于过去 6-12 个月的平均行为。
    • A 卡必须捕捉 当下 的最新风险（如昨天刚发生的法院执行记录、今天刚查出来的多头借贷）。
  3. 额度测算逻辑不同：
    • B 卡主要用于调整现有额度。
    • A 卡需要结合用户当前的总收入、总负债，计算 新增 这笔钱后的 DTI（债务收入比）是否超标。

2.2 总结与最佳实践架构

在实际的风控引擎设计中，针对 老客户第2次申请（在贷或结清），标准的处理流程是：

  1. 触发A卡流程：识别为“申请事件”。

  2. 调用 B 卡结果作为特征：

    • 系统先跑一遍该用户的 B 卡模型，得到当前的行为分和行为标签（如：近6个月最大逾期天数、额度使用率趋势）。
    • 将这些 B 卡输出结果，作为 重要特征输入 到 A 卡模型中。

  3. 运行“老客A卡”模型

    • 输入 = 基础征信 + 申请表单 + 内部行为表现（来自B卡）。
    • 输出 = 新贷款的通过/拒绝决策 + 新额度 + 新利率。

  4. 贷后更新B卡：如果新贷款发放成功，将该笔新 loan 纳入该用户的账户体系，下个月更新B卡时，将同时监控旧债和新债的表现。

一句话总结：只要有“新申请”动作，就是 A 卡的战场；但如果是老客户，A 卡必须“带上”B 卡的历史表现数据一起作战。