在建立信用风险组合模型时，需要收集和整理以下数据和信息：
借款人基本情况：包括借款人的个人或机构名称、注册地、行业、规模等信息。财务信息：包括借款人的财务报表、财务指标、经营状况等数据，用于评估借款人的偿债能力。信用报告：包括借款人的信用记录、信用评级、逾期记录等信息，用于评估借款人的信用状况。抵押品和担保情况：如果借款人提供了抵押品或担保，需要详细了解抵押品的价值和担保的稳定性。宏观经济数据：包括行业发展趋势、市场环境、法规等信息，用于评估整体经济环境对借款人的影响。历史违约数据：收集过去借款人的违约情况，用于建立违约模型和预测违约概率。行业数据：了解所在行业的竞争格局、市场份额、发展趋势等信息，用于评估借款人的行业风险。其他相关信息：根据具体情况可能需要收集其他相关数据，如借款人的经营模式、管理团队、市场地位等。建立信用风险组合模型需要综合考虑以上各方面的数据和信息，通过量化分析和建模来评估风险水平，制定相应的风险管理策略。在实际操作中，可以利用大数据分析技术、机器学习算法等工具来处理和分析大量数据，提高建模的准确性和预测能力。
一个案例是，某银行在建立信用风险组合模型时，除了收集借款人的财务信息和信用报告外，还结合了宏观经济数据和历史违约数据，利用机器学习算法建立了预测模型。通过该模型，银行成功识别出潜在高风险客户，并及时采取措施减少信用风险损失。