目前,金融市场急速发展。各种产品日益更新,为客户提供了多种借款模式,同时也不断更新着放款模式。有一些业务已经不基于线下审核开通,更多放在线上实现。丰富的借贷形式、多种放款数额的设置,也意味着客户的交易次数增多,即借款还款的频率明显升高。不同的业务满足着客户的多种需求,也对传统的授信方式,即人工凭经验审核,是一大挑战。显然,传统的方法不够高效也不够安全,无法满足目前的业务需求。国内在逐步沿用由国外兴起的评分卡建立流程,搭建自己的风控系统,筛除不良用户,对将变“坏”的用户进行及时的催收管理。信用评分是在充分收集客户的基本信息、家庭情况、职业状况、月收入情况、资产状况、信用卡消费记录、贷款记录、缴税记录等综合信息后,根据客户的综合历史信息,采用信用评分模型,给出不同的信用分数,依此来评估和量化客户的还款能力、是否会逾期。可以根据判断结果将客户分为“好”“坏”两种,信用分数还可以用来决定客户的信贷额度和利率。信用评分可以对新贷款客户进行筛选并判断其违约风险,并对审批通过的贷款账户进行覆盖整个贷款周期的管理。评分结果可以用于贷款条件和清收策略的制定.评分卡普遍使用传统的Logistic模型,对大量数据的处理方面效果较差,学习能力较低,也无法处理非线性问题。但评分卡中许多过程也是可以借鉴和保留的。例如评价自变量效果的Ⅳ值、变量WOE分箱以及一些模型评价指标等等。本文对评分卡建立流程进行更新,保留对建模有用的过程,并加入一些新的方法,提升模型效果,得到信用评分,可更客观的帮助银行机构审查客户信用情况。选取的案例是某银行2013年1月1日至2018年1月1日期间信用卡客户的申请记录数据集和交易记录数据集,建立信用评分模型,根据模型结果转化的信用分数对用户进行信用评估,为银行是否给予用户授信、授信金额及利率提供一定的依据。首先,通过Vintage分析确定合适表现期,保证这个时期足够长可以完全暴露客户的偿还能力,“坏”用户可以逐渐显现出逾期时间的加长。通过对数据的分析及可视化,确定了 20个月为合理的表现期。进而,在表现期内寻找逾期用户。由于只有某银行的客户数据,不清楚银行的业务需求,所以根据经验和行业标准判定以多少天的逾期为“坏”用户。结合不同逾期天数的人数占总人数的比率确定风险用户,最终确定逾期60天以上的客户定义为“坏”客户;然后,对连续变量进行WOE分箱处理,计算IV值（信息量）。并通过这一指标筛选变量,将IV值超过0.003的自变量保留,进行进一步的建模过程;最后,利用Logistic回归拟合数据,并进一步用深度学习方法得到回归结果,并将其作为衍生变量,加入Logistic模型中。进而与只使用Logistic模型的单模型进行对比,发现加入深度学习方法建立的模型得到的AUC值更高。本文在创建评分卡的传统过程中,加入新的方法—深度学习。并在最终的模型性能对比上,发现加入了深度学习方法的模型,预测效果有所增益。这一数据分析方法和预测结果,对于银行过滤不良用户,降低金融风险,有着重要意义。效果依照以往传统的Logistic模型有所提高,可作为银行进行实际业务时的参考。同时进行的新的尝试,可供后人建立信用评分模型时参考。