背景
最近，妹子在搞风控相关的业务，所以去了解了下风控这块的经典模型：评分卡模型。整合下来，妹子总结了一套“风险类需求”挖掘框架，希望在大家对接风控类需求时，有一定的指引作用。
目录
Part 1.表现期与坏客户定义：账龄分析，滚动率分析，迁移率分析，坏账准备进计算
Part 2.风控指标：事前，事中，事后指标
Part 3.WOE转换：分箱，计算每个区间的WOE
Part 4.转换后指标评估：IV，PSI
Part 5.fit 模型：线性模型、非线性模型
Part 6.模型评估：Lift，AUC，PSI
Part 7.模型输出概率校准：platt's scaling，Isotonic regression
Part 8.分数转换：因为前端业务要用，所以需要将概率转换成可理解的分数
Part 9.区间赋分：因为定位时解释需要，所以需要对分享后的
Part 10.上线监控：特征PSI，特征CSI，模型概率PSI，业务指标
妹子将上述步骤纳入常规的数据分析与挖掘的常规框架，大家也可以对照着看下，框架里哪些模块的知识需要补充巩固的
为方便举例，本片文章均用金融公司的风控为例（毕竟人家风控是坚持不变的基石）
Part 1表现期与坏客户定义
Part 1.1 观察期与表现期的概念
- 观察期：构造特征的时间窗口。就是时间轴左侧，主要是用来生成用户特征的时间区间，不宜太长也不宜太短，一般为1年到3年左右
- 观察点：这个点并是一个具体的时间点，而是一个时间区段，表示的是客户申请贷款的时间，用来搜集那些用来建模的客户样本，在该时间段申请的客户会是我们用来建模的样本
- 表现期：定义好坏标签的时间窗口，如果在该窗口触发坏定义，就是坏样本，反之就是好样本。时间区段，一般是6月到1年左右，一般最常用的是定义为坏样本的指标有：M3+逾期、M3以内逾期中定义为失联、欺诈、身份盗用等情况，这些需要看自身业务情况而定
Part 1.2 坏客户定义
一般咱们的正负样本都是明显可以定义的，但是风控这块并不是。那么，怎么去确定坏客户呢？这里可以通过滚动率分析进行确定。
滚动率分析就是从某个观察点之前的一段时间（观察期）的最坏的状态，向观察点之后的一段时间（表现期）的最坏的状态的发展变化情况
