评分卡建设系列内容第三课：变量分组（强弱之分）

学习分组之前我们需要了解几个概念：WOE与IV

WOE的全称是“Weight ofEvidence”，即证据权重。WOE是对原始自变量的一种编码形式。要对一个变量进行WOE编码，需要首先把这个变量进行分组处理。IV的全称是Information Value，中文意思是信息价值，或者信息量；

我们在用各种模型方法构建分类模型时，需要对自变量进行筛选。比如我们有N多个个候选自变量，通常做法是把N个变量直接放到模型中去进行拟合训练，从这N个自变量中挑选一部分来变量（这个过程本质就是对强变量和弱变量的区分,一般建模过程都需要挑选强变量）放进模型中。挑选这些变量过程是个比较麻烦的，需要考虑很多因素，例如业务因素、环境因素等很多因素。其中最主要和最直接的衡量标准是变量的可预测能力。从逻辑上来讲可以理解为“用IV去衡量变量预测能力”。例如我们假设在一个分类问题中，目标变量的类别分为：Y1，Y2。对于一个待预测的个体A，要判断A属于Y1还是Y2，我们是需要一定的信息的，假设这个信息总量是I，这些所需要的信息就蕴含在所有的自变量C1，C2，C3，……，Cn中，那么，对于其中的一个变量Ci来说，其蕴含的信息越多，那么它对于判断A属于Y1还是Y2的贡献就越大，Ci的信息价值就越大，Ci的IV就越大，它就越应该进入到入模变量列表中。

对于WOE 和IV的数学计算公式如下：

假设good为好客户（未违约），bad为坏客户（违约）

WOEi=ln(pgoodpbad)

=ln(good占比bad占比)

=ln(#goodi#goodT#badi#badT)WOEi=ln(pgoodpbad)=ln(good占比bad占比)

=ln(#goodi#goodT#badi#badT)

#good(i)表示每组中标签为good的数量，#good(T)为good的总数量；bad相同。

IV衡量的是某一个变量的信息量，公式如下： 

        IV=∑i=1N(good占比−bad占比)∗WOEi

IV可用来表示一个变量的预测能力。

IV	预测能力
<0.03	无预测能力
0.03~0.09	低
0.1~0.29	中
0.3~0.49	高
>=0.5	极高

分组一般原则

1.组间差异大

2.组内差异小

3.每组占比不低于5%

4.必须有好、坏两种分类

下面我们通过一个举例说明。

客户年龄分段	坏客户	好客户	Woe	IV
18-24	50	600	0.328925031	0.014557687
24-35	140	1600	0.280134867	0.028817702
35-45	100	1300	0.408967739	0.046962803
45-55	150	300	-1.462834438	0.383206629
合计	440	3800	0	0
			IV合计	0.47354482

通过IV值可以看得出来。预测能力属于较高。

客户性别分段	坏客户	好客户	Woe	IV
男	300	2300	-0.119099692	0.00911768
女	140	1500	0.215596346	0.016504983
合计	440	3800	0	0
			IV合计	0.025622663

从上述数据来看，通过男女进行划分，预测能力非常低，不建议选用。

用上述的方法根据我们客户的实际情况们可以获得到的数据进行IV处理。得出如下数据：

信息值列表
Obs	变量名	变量描述	信息值（IV）
1	busicode	业务品种	0.8344
2	usingType	用途分类	0.5919
3	compbizfield	现单位所属行业	0.4528
4	highestdegree	最高学历	0.4524
5	rate1	（申请）浮动比率	0.306
6	position	职位	0.2502
7	occupation	职业	0.2486
8	islocalresidence	是否本地常驻户口	0.233
9	assuranceMethod	担保方式	0.2257
10	compSeniority	现单位工作年限	0.2246
11	wrkSeniority	现行业就业年限	0.1984
12	firstAmtRatio1	（申请）首付比率	0.1969
13	payFrequency	还款频率	0.1787
14	compBizOwShType	单位性质	0.1221
15	dkqx	贷款期限	0.1195
16	posLevel	职称	0.0947
17	rm_dm	申请贷款金额与抵押担保金额的比例	0.0856
18	sex	性别	0.085
19	inhabitstatus	居住状况	0.0722
20	notFinishedLoanM	借款人当前未结清贷款笔数	0.0683
21	usemode	额度使用方式	0.0578
22	inc_lmp	个人收入与每月付款比例	0.0552
23	floatFlag1	（申请）浮动标志	0.0405
24	dependentCnt	供养人口数	0.0329
25	have_comptelphone	是否填写单位电话	0.0291
26	jnbClientType	是否本行现有客户	0.0265
27	have_homephoneno	是否填写家庭电话	0.0126
28	age	年龄	0.0097
29	rateType	利率类型	0.0055
30	busiState	业务状态	0.0025
31	currArrearsAbove30DIn6M	借款人最近6个月内30天及以上拖欠次数	0.002
32	maritalSta	婚姻状况	0.0009
33	have_mobile	是否填写移动电话	0.0008
34	currArrearsAbove60DIn6M	借款人最近6个月是否有60天及以上拖欠行为	0
35	currArrearsAbove90D	借款人过去是否有90天及以上拖欠行为	0
36	currArrearsM	借款人当前拖欠贷款笔数	0
37	currArrearsMAbove30D	借款人当前30天及以上拖欠贷款笔数	0

我们优先选择具有较强区分能力的强变量，少选择弱变量，不选择0变量。

下一步就是根据相关强弱变量进行建模开发。

来源|消金风控联盟

作者|刘鹏程

更多精彩，戳这里：