WOE 和 IV 计算器
用于自动信贷决策时,检查评分卡中的某个特征。输入各分箱的好坏客户数,或添加原始数据,一分钟内即可查看每个分箱的 WOE 和信息值。
上传原始数据并分箱
文件只在浏览器中读取,不会上传。链接中只包含分箱计数,您选择发送邮件时,邮件中也只包含这些计数。
信息值
0.3627
强度较强
坏账率走势持续下降
总体坏账率7.9%
共 6 个分箱,包含 6,400 个好客户和 550 个坏客户,信息值为 0.3627。其中 >=96 分箱对信息值的贡献最大。
各分箱的 WOE 和坏样本率
柱形表示各分箱的 WOE,折线表示坏样本率,使用右侧刻度。
分箱结果
| 分箱 | 好客户数 | 坏客户数 | 好客户占比 | 坏客户占比 | 坏账率 | WOE | IV贡献值 |
|---|---|---|---|---|---|---|---|
| <6 | 520 | 110 | 8.1% | 20.0% | 17.5% | −0.901 | 0.1070 |
| [6,12) | 610 | 95 | 9.5% | 17.3% | 13.5% | −0.595 | 0.0460 |
| [12,24) | 980 | 120 | 15.3% | 21.8% | 10.9% | −0.354 | 0.0230 |
| [24,48) | 1,400 | 105 | 21.9% | 19.1% | 7.0% | 0.136 | 0.0038 |
| [48,96) | 1,650 | 80 | 25.8% | 14.5% | 4.6% | 0.572 | 0.0643 |
| >=96 | 1,240 | 40 | 19.4% | 7.3% | 3.1% | 0.980 | 0.1186 |
| 合计 | 6,400 | 550 | 100.0% | 100.0% | 7.9% | 0.3627 |
分箱结果可粘贴到决策表的两列中,分箱作为条件,WOE 作为结果。
通过邮件获取结果
评分卡是信贷决策的下一环节,分箱可整理为表格,每项调整都用历史申请数据测试。 开始试用
查看公式
好客户占比 = 好客户数 ÷ 好客户总数 坏客户占比 = 坏客户数 ÷ 坏客户总数 WOE = ln(好客户占比 ÷ 坏客户占比) IV贡献值 = (好客户占比 − 坏客户占比) × WOE 信息值 = Σ IV贡献值 如果某个分箱没有好客户或坏客户,计算占比前会在好客户数和坏客户数上各加 0.5。
这里只分析单个特征,不涉及评分卡中特征之间的关系。强度分档是经验参考,不是检验标准。
计算证据权重和信息值
证据权重反映某个特征的各分箱中好客户和坏客户的分布。信息值是各分箱贡献值之和,根据好客户占比、坏客户占比和证据权重计算。
这两项指标可用于评估某个特征是否适合纳入评分卡。比较各分箱中好客户和坏客户的分布,并检查坏账率是否随分箱递增或递减。
常见问题
如何计算证据权重和信息值?
先计算每个分箱的好客户占比和坏客户占比。证据权重是好客户占比除以坏客户占比后取自然对数,信息值是各分箱贡献值之和。
信息值能说明评分卡特征的什么情况?
信息值汇总各分箱的贡献值,贡献值根据好客户和坏客户占比之差以及证据权重计算。计算器会按常见经验规则显示特征强度。
如何为评分卡特征分箱?
输入各分箱及对应的好客户、坏客户数量,或提供原始数据并选择取值列和好坏标记列。计算器会将数字分成区间,并将文本值分箱。
某个分箱没有坏客户时该怎么处理?
计算器会在计算占比前,分别在好客户数和坏客户数上加 0.5。这样可以避免该分箱的证据权重为无穷值。
为什么各分箱的坏账率应该朝同一个方向变化?
计算器会检查坏账率是否随分箱持续上升或下降,还是中途转向。这是评估特征的一项参考,还需结合证据权重和信息值查看。