我国处在结构调整的攻坚阶段,受国际经济环境的影响,经济运行存在一定下行压力。在此条件下商业银行逐渐将业务发展方向调整为信用消费类贷款产品。在消费类信用贷款规模飞速上升的同时,个人信用风险也随之增加。因此,风险管理对于银行等金融机构的重要性也日益增加。从风险管理的角度来看,贷前防范的成本远小于贷后止损的成本。因此,征信报告和个人信用评分这两个有效甄别个人信用风险的手段对于消费信贷业务的发展具有重要的意义。本文在梳理和总结国内外个人信用评分模型的研究的基础上,以苏州X银行的信用卡存量客户数据为样本,运用统计学的方法,在客户基础画像数据和第三方外部数据中区分未加入央行征信数据和加入央行征信数据两种模式,分别采用逻辑回归、随机森林和XGBoost三种算法。其中,基于传统的逻辑回归模型,在特征变量的处理上应用了数据挖掘技术作为创新点。在对特征变量进行筛选时使用了Lasso回归、WOE分箱及IV值和随机森林三种模型,得到三个模型的筛选结果后,通过将模型的筛选结果0-1化并求和,选取三个模型均存在的变量进行下一步的特征变量筛选。通过对比两种不同数据结构的三种模型效果,分别从K-S、ROC及PSI三个角度进行了验证,以此来开发适用于该银行信用卡产品的信用评分模型,并得出如下结论:第一、从AUC和KS两个指标的值来看,XGBoost的模型效果和区分能力最优。但由于机器学习的模型部署较为复杂,且不易监控。同时,结合苏州X银行的实际信用卡业务,经过特征筛选后的逻辑回归模型会更适用,解释性更强,也方便做一些更详细的信用决策。第二、征信数据与外部第三方数据的结合可以对客户数据进行互相补充,从而增强数据的准确性以此提升模型的精准度。第三、经过特征优化和参数调优后的模型,在模型的效果和模型的区分度上都有很大的提升,尤其是经过数据挖掘技术做了特征筛选后的逻辑回归模型。