在选择适合自己需求的信用分析模型时，首先需要考虑以下几点：
确定需求：在选择信用分析模型之前，首先要明确自己的需求是什么，是要进行风险评估，还是要进行客户分层等。不同的需求会需要不同的模型来支持。
数据准备：在选择模型之前，需要确保数据的质量和完整性。信用分析模型对数据的要求非常高，需要有充分的数据来支撑模型的训练和验证。
模型比较：在选择模型时，可以考虑常用的信用评分模型，比如逻辑回归、决策树、随机森林等。可以通过比较它们的优缺点来选择适合自己需求的模型。
模型评估：选择模型后，需要进行模型评估来验证模型的准确性和稳定性。可以使用ROC曲线、KS曲线等指标来评估模型的效果。
模型应用：最后一步是将选择好的模型应用到实际业务中，监控模型的表现，并根据实际情况来进行调整和优化。
举个例子，如果一个银行需要建立一个信用评分模型来评估客户的信用风险，可以选择使用逻辑回归模型。首先，确定需求是进行风险评估；然后，准备好质量高的客户数据；接着，比较逻辑回归模型和其他模型的优缺点，选择适合的模型；然后，进行模型评估，验证模型的准确性；最后，将模型应用到实际业务中，并监控模型的表现。
综上所述，选择适合自己需求的信用分析模型需要考虑需求、数据准备、模型比较、模型评估和模型应用等因素，通过系统性的步骤来选择和应用信用分析模型。