2007年美国次贷危机引发了近几十年来全球最严重的经济危机,越来越多的金融机构意识到控制信贷风险的重要性。我国不能避免的也在此次危机中承受了很大损失,作为政府十大产业振兴规划,发展健康的汽车产业,尤其是汽车信贷产业在此时显得格外重要。　　 外资汽车金融公司入华有短短的4年时间,其与本地金融机构竞争的优势第一是对信贷风险的控制经验,第二是维持与经销商,汽车制造商构成利益共同体的密切关系;后者保证市场是否可以扩大,而公司的盈利能力,前者则更为重要。占目前汽车金融公司贷款额和利润绝大多数是对个人汽车消费的贷款,如何量化个人信贷申请风险,灵活并且依据稳定的贷款审批逻辑做信贷决策则是防范坏账的第一道门槛,也是机构信贷维持利润的重中之重。　　 信用审批上,使用不依靠真实用户数据的专家系统是国外汽车金融公司在国内发展初期的必经之路。经过汽车金融公司近几年迅猛发展,每年新增上千新客户,同时积累历史客户的还款行为信息,原先主观决策搭配“进口”的评分卡模型已经不能适应更快节奏的贷款审批,从本质上更给不出相对准确的预测。采用真实历史客户信息作为样本,建立回归模型的个人信用评分模型,提供了外来信用评分卡到完全本地客户化评分模型的转变的可能,是信贷评分方法从拿来主义到经验主义发展的必然。　　 研究方法和一些重要结论　　 本文详细描述和论证了采用逻辑回归模型作为主要统计方法,利用SQLServer分析服务(SSAS)和整合服务(SSIS)的数据挖掘和数据整理工具进行建模的研究方法,充分利用当今计算机强大的处理能力结合数据库应用技术,依据客户化评分模型标准的开发流程,给出汽车金融公司可以尝试转变信用评分系统的实施方法,对一些操作中的具体问题给出了解决方案:　　 ·采用分类抽样会使各分类样本在总体中的比例固定,更利于获得更好的模型预测结果。　　 ·采用聚类数据挖掘技术分析,可以得到的样本分组的可能性。　　 ·采用了技术与经验相结合的方式,使用关联规则数据挖掘和传统的单变量分析,数据质量分析可以剔除冗余的,对模型预测能力有负面影响的变量。　　 ·采用逻辑回归模型对贷款申请被拒绝的历史客户信息做推测,以使样本无偏的代表未来申请者的群体。　　 ·采用逻辑回归数据挖掘技术来预测申请者好坏的可能性,量化风险,使用K-S指标,分离度,交叉矩阵考察模型的预测能力。　　 比较重要的结论:　　 ·采用真实客户历史数据通过逻辑回归数据挖掘模型建模的预测能力明显优于目前已有的专家评分卡系统,且利用模型的权重可以方便改善现有评分卡模型。　　 ·SQL Server分析服务数据挖掘工具建立的模型,不仅集成了预测任意样本的易用工具,且可以方便的导出模型结果,直接应用以改善现有信用评分卡。　　 ·样本中坏客户量占总样本比例不足,影响了建模预测对坏客户预测的准确性。　　 最后,SCL Server2008 Analysis services(SSAS)和Integration services(SSIS)是一个模型开发独立的,强有力的工具。通过它,我实证了采用客户化的评分模型对总体客户的预测能力比原先信用评分卡好的这一事实,并找到可以用新结果改进原先评分卡的方法;聚类和关联规则等数据挖掘技术的应用,有力帮助了样本分组,变量选择等重要建模环节;SSAS展现的建模结果中我发现,保证样本好坏客户的比例数量对建立模型的预测能力很重要,是建模应用的一个宝贵经验。