对于银行来说，贷出的款额、利息的高低、还款的时间以及方式等是可以控制的因素，而银行所不能控制的因素有借款人的收入水平、婚姻状况、消费水平，等等。这两方面的因素都会影响借款人还款能力的高低。为了更全面地评价借款人的还款能力，银行有必要同时采集这两方面的信息。银行的信用评分模型最主要的作用是评定那些特征不大明显的借款者是否能还贷。
正常情况下，银行是绝不会借钱给那些明显不能还款的客户的，而显然会还款的客户有总是各个银行争夺的对象。图片/本文来源：《新经济导刊）》杂志当然，信用评分系统不仅可以用于申请贷款业务，也可以用于信用卡开通业务、汽车行业分期付款业务、房地产分期付款业务，还可以用于开展保险业务评分、欺诈风险评分等诸多评分业务，等等。
信用评分模型涉及深厚的理论基础以及先进的算法思想。尽管构建信用评分模型的算法有所不同，但构建信用评分模型的原理和步骤是基本一致的，所有的信用评分模型在构建时，都需要三个步骤。首先，根据经验或相关性分析，找出和借款人的信用风险相关的经济或财务因素，并选定算法，确定模型将要使用的函数形式；其次，根据以往的数据确定相关因素的重要性大小，并代入算法进行试验，寻找最优参数；最后，将待分类借款人的相关数据代入信用评分函数计算信用数值，根据数值的大小确定是否借款给待分类借款人。
借款人以往的还债记录、公共记录、年龄、职业、经济状况、消费水平、消费偏好、持有的银行卡数目、银行卡余额，等等，都是银行需要收集的数据。这些数据可以详细地勾画出一个消费者的形象，从而帮助银行判断借款人是否能偿还贷款。构建信用评分模型常用的算法有：逻辑回归模型、共性过滤分析、支持向量机、判别分析、神经网络模型、决策树模型、多元回归模型、基因算法、RFM分析、存货分析、时间序列分析，等等。
在信用评分模型构建过程中，从不同的侧面看待同一个问题时，可以设计出不同的解决方案。对于有大数据量支持的大型银行，可以使用决策树来构建信用评分模型；对于没有过多数据的小型借贷公司，神经网络将克服数据量过少的不便；判别分析适用于针对某一明确问题构建模型，而在探索性数据分析中作用不大；支持向量机则可以精确地区分可能会还款的客户和不太可能会还款的客户。
不同算法所使用的变量并不相同，对于这个算法来说很重要的变量可能并不能在其他算法中发挥作用，而不同的算法所适合的问题也不尽相同。在使用这些算法解决问题时，应注意每种算法的长处与短处，从而扬长避短，找到解决问题的最佳方案。随着大数据模型开发技术与内部评级体系建设的深度融合，金融机构将更加广泛和全面地将评分/评级结果应用于授信审批，为贷款决策提供参考和支持。
