消费信贷是银行或其他金融机构采用信用、抵押等方式向消费者个人提供的消费贷款。在我国,受到宏观经济发展、个人消费观念等一些因素的影响,消费信贷业务起步较晚,20世纪90年代末,消费信贷才进入发展的快轨道,规模不断扩张。央行数据显示,我国消费信贷规模在2015年达到19万亿元,同比增长23.3%。但是,需要注意的是,与发达国家相比,我国的消费信贷发展水平仍然很低,消费信贷在消费总额中的比重还不足1%,西方发达国家的这一比重一般为20%-40%。但是从发展方向上来看,消费信贷的发展趋势和潜力将是巨大的,尤其是随着互联网金融的迅猛发展,客户能够通过简便的审核便可迅速申请贷款。这种消费模式符合目前人们的生活习惯,给人们带来了极大的便利,可以预见,消费信贷发展潜力在我国将是巨大的。迅猛发展的消费信贷,必然要求有效的风险管理。通过开发信用评分模型对客户进行评估,加强个人消费信贷的风险管理,降低消费信贷的风险,对于公司信贷资金的安全性以及最终是否赢利都具有非常重要的意义。本文首先对信用评分模型的基本概念和研究现状进行了梳理,并对信用评分模型的建模方法从应用条件和预测精度两方面进行了比较分析。其次,以某互联网金融公司的一款线上贷款产品为例,开发了针对该产品的专用评分模型。模型的开发过程主要包括数据的收集、预处理、创建评分模型、模型的检验以及监控。在模型训练过程中,本文尝试使用聚类分析法,加快模型的训练过程。最后,通过衡量模型有效性、区分度以及稳定性等验证指标,对信用评分模型的效果做了分析。经过此次信用评分模型的研究和开发,本文认为,首先,基于逻辑回归方法的信用评分模型符合我国目前消费信贷行业的数据需求,且具有易实施、好解释等优点,因此,是我国建立信用评分模型的主要建模方法。其次,在模型训练过程中,通过聚类分析法剔除统计意义上重复的变量,可以有效加快模型训练过程。最后,根据产品针对的特殊的客户群体,结合业务需求,建立特定产品的专用信用评分模型是有必要的。需要注意的是,在开发某一产品专用评分模型时要保证有充足的客户量和数据量。因为数据量不够多,在定义目标变量时也会有所偏差。此外,信用评分模型还可以从多方面进行改进。首先是数据源的多样化发展。随着大数据的发展,信用评分模型的数据不仅限于征信数据,还可以涉及互联网、移动网络、社交网络数据、第三方的非金融行为数据等,有助于贷款机构从多方面考察客户的还款能力,做出更加合理、全面的信用评分。因此,随着理论与方法的完善和实践的深入,基于大数据分析的信用评分是以后模型开发的研究重点。其次是建模方法上的改进。随着我国消费信贷行业的发展,还可以尝试结合人工智能等方法建立信用评分模型。此外,信用评分模型还可以把决策的影响定量化,从客户信用表现和信贷决策两方面共同预测客户未来的表现。这也是信用评分模型以后研究的方向。