(1) 獲取、轉換、標準化和清理所有必備數據，包括第三方機構、交易、應用、收付款數據，并全面管理數據。利用所有產品的客戶數據建立更好的評分卡。
(2)利用功能強大、用戶友好基于 GUI 的數據管理、建模、數據集創建、數據挖掘和報告工具更加快速地建模并降低訓練成本。
(3)共享派生變量等參數、過濾、合并方案、數據挖掘項目和備注，保留公司IP，減少人員流失和人力資源風險。
(4)利用強大的庫內處理功能處理超大數據集。
(5)改進放貸和借貸業務的信用決策。盡可能多地建立各種行業大部分的消費貸款產品申請和行為評分所需的模型，減少信用損失，提升業績并提高信用評估流程的工作效率。
信用風險評估主要采取評分卡模式，用于評估新客戶在一定期限內達到某種逾期程度的概率，使得客戶風險可以被量化估。
由于某金融個人小額借貸業務推出較晚，因此原信用評分缺少用戶歷史小額借貸業務還款數據支撐，所以參照信用評分發放的小額業務借貸用戶延期還扣款比例較高；某金融已發展了一段時間個人小額借貸業務，并采集了這部分用戶的貸款償還數據，從而為基于用戶借貸償還數據優化現有信用評分提供了數據基礎。
通過建立模型，發現了對客戶逾期率較大影響的特征（貸記卡已用額度、授信額度等），借助同期信用卡申請數據通過SAS信用評分模塊簡單快速地對建立高精度、高解釋性風控模型評分卡。
建模流程如右所示
模型性能穩定，客戶不良率大幅下降，通過風控模型審批通過率提升75% 。風控規則、模型輸出效率提升18倍，大幅降低運營成本，賦能風控團隊，提升工作效率。
滬公網安備31011502400918