评分模型是对客群进行量化风控的重要工具，通过评分模型中风险水平的排序，我们可以将客群量化定级(A、B、C…等级)。常规上的风险评分模型可以分成申请评分模型、行为评分模型、催收评分模型、反欺诈评分模型。但在以上四大类别中，依旧可以深度拆分，比如贷前评分模型还可以分为准入评分模型与信用评分模型。同样的，评分模型后依旧对应的还有差异化的额度模型。本文来解决这些知识点。
一：
常规的评分卡是在准入规则后，设置的一个授信模型，我们俗称A卡。但今天想给各位同学介绍的是评分模型的另一种场景，Pre—A卡，称为准入评分卡。
准入评分卡，大部分公司都没有这张卡的，这张卡摆放的位置会相对信用评分卡稍微更靠前一些。看到名称，就知道，这张评分卡的作用与准入规则有关，实际上，这张卡就是用来与准入规则“抗衡”。大部分的公司，因为人力成本等原因，评分模型无法开发得非常细腻。规则仍是风险首要的风险工具。
既然规则可以覆盖，为什么还需要开发这样一个准入模型？模型与规则的较量古今便有，相信在模型团队较有话语权的机构中，所有用到规则的地方，必须同时模型，这也是模型团队的价值。准入模型由此便有了基石。
模型的开发细则都大同小异，变量维度也是一样。但因为准入模型位置前移，导致了许多与其相关的变量维度跟信用模型稍有差别。
我们知道信用模型中，样本都是规则后筛选的样本，是属于有偏的统计量。所以信用模型，样本选择也是有“偏度”，通常说的拒绝演绎都是来纠正这种偏度的方法。
举笔者之前开发过的一个信用模型的实际案例说明。该项目为某现金贷模型项目，当时有一个入模变量叫：负债比，该变量在拟合后的业务逻辑中较为奇怪，引起了笔者注意。模型开发完成后，会发现分箱效果是负债越多，得分越高。这在常规上的业务上较难理解，后来私下跟规则同事交流。在准入上，他们早就将负债过大的客群筛除，也就导致了入模想客群基本都是在合理负债范围内的客群。难怪最后入模后的客群都是负债越高越好，有偏样本导致了模型拟合的曲线不太符合常规逻辑。
综上，因为节点不同，数据源有所差异。所以在模型的变量选择上，准入模型的变量选择跟信用模型自然有所差异。位置越靠前，准入模型的可选择的变量也更不受到规则限制。建置评分卡之前，大家可以好好理一下自己的风控业务流程，以及相关的数据情况。
二：
额度模型是在以上提到的申请评分卡后拟合的一个模型。常规上的额度模型我们会分为贷前授信模型与贷中授信模型。
贷前授信模型称为新客额度模型，贷中授信模型为老客额度模型。在模型开发上也有所差异。
新客额度模型，基本参考的仍是申请评分模型的额度。在常规的做法上可以参考客群分层拟定的系数表给与不同的授信额度，还有可以参考申请评分卡给与授信额度。
额度系数表在番茄风控的知识星球上分享较多，而结合贷前评分的额度模型内容在近期的分享中，大家也可以进一步了解，相关内容如下：
在存量客群的额度模型中，后面因为有了更重要的风险矩阵跟额度系数结合的内容，便可以输出额度系数矩阵相关内容再加以细腻调整：
在以上的风险额度系数中，会引入以下几个维度进行综合拟定，分别是：客群占比情况、现有的平均授信额度情况、响应率、以及对于的坏账率，综合调试。