随着中国经济快速稳定的发展,互联网金融信贷业务的发展也来到了高潮。客户数据爆发式增长,传统依靠专家型数据分析的结果缺乏可靠性、准确性以及对海量数据处理效率缓慢,无法有效的挖掘出数据的价值等缺陷日益突出。如何更好挖掘出用户信贷数据,购物数据中蕴含的信息对客户的信用进行定级以减少坏账的发生,同时对客户准确分类以做到更好的互联网金融风控成为了重要的研究方向。由于金融行业的特殊性,为了降低开发评分卡模型的门槛以及提高建模效率,应该有一套信用评分系统能够完成信用评分模型的构建。针对上述问题和需求,通过查询和阅读相关文献对信用评分系统进行深入研究,改进了卡方分箱法分箱后WOE不单调以及某个分箱中样本占比过多等问题;使用基于IV值、皮尔逊相关系数、假设检验、逐步回归等方法挑选入模变量解决了互联网高维特征难以挑选的问题;对Spark技术框架进行深入研究,实现了一个信用评分系统,该系统由资源管理模块、模型构建模块、可视化模块三大模块构成。其中资源管理模块由数据资源管理、模型管理、任务流程管理构成。其主要负责数据的上传下载、模型的存储和删除、任务的查找和删除等;模型构建模块由功能组件和算法组件构成。其中功能组件内部封装了数据处理逻辑,算法组件内封装了逻辑回归算法,其主要功能负责模型拟合前的特征处理以及之后的模型训练;可视化模块分为数据可视化和流程可视化两部分。其中数据可视化负责中间数据以及模型评估结果的展示,流程可视化负责整个建模流程的展示。本文使用国内某互联网消费金融公司的人行征信数据构建信用评分模型,通过使用改进的卡方分箱方法进行特征分箱然后使用逻辑回归算法进行拟合后,AUC和KS两个指标都得到了提升,其中AUC从0.7267提升到0.7373,KS从0.339提升到0.353。信用评分模型通过组件的方式进行构建并运行在信用评分系统中,通过该信用评分系统降低了构建信用评分模型的门槛以及提高了构建信用评分模型的效率。