Collection score không chỉ tìm người dễ trả. Nó là bài toán phân bổ capacity: gọi ai, dùng treatment nào, kỳ vọng thu được bao nhiêu và chi phí có đáng không.

NPL là một chỉ số đến muộn. Nếu chờ NPL để đánh giá policy mới, bạn có thể đã để rủi ro đi quá xa. Bài này dùng DPD, FPD, MOB và vintage để đọc tín hiệu sớm hơn.

Credit scoring không thất bại vì model đứng một mình. Nó thất bại khi DS không hiểu model đang phục vụ quyết định nào trong lifecycle: approve, limit, pricing, monitoring hay collection.

Khi làm credit model, tên sản phẩm chỉ là lớp vỏ bên ngoài. Điều cần nhìn là cơ chế trả nợ, tenor, dữ liệu bureau và cách rủi ro phát sinh theo thời gian. Bài này giúp bạn phân biệt cash loan, thẻ tín dụng, BNPL và các khoản vay rất ngắn.

Credit model không bắt đầu từ XGBoost hay feature engineering. Nó bắt đầu từ một thỏa thuận rất cụ thể: ai được xem là “bad”, quan sát trong bao lâu, và cohort đã đủ mature để dùng làm dữ liệu huấn luyện hay chưa.

Hai khách hàng cùng PD có thể tạo expected loss rất khác nhau. Khi model score đi vào hạn mức và pricing, DS phải nối probability với exposure, utilization, margin và adverse selection.

Cutoff là một business decision được ngụy trang dưới dạng model threshold. Bài này đọc approval, marginal group, expected loss, profit và rollout guardrail như một bài toán decisioning, không chỉ là chọn ngưỡng.

Model score chỉ có giá trị khi nó được dịch thành policy language. Bài này đi từ scorecard, WOE/IV đến PD band, actual bad rate, cum rate, cum bad rate và marginal risk.

Một credit model có AUC/Gini tốt vẫn có thể làm sai pricing, hạn mức hoặc ECL nếu thang PD không đáng tin. Bài này giải thích vì sao rank tốt chưa đủ, cách đọc reliability diagram, fit Platt/isotonic đúng split và monitor sau deploy.