數(shù)據(jù)挖掘在信用卡方面的應用.doc

數(shù)據(jù)挖掘在信用卡方面的應用【摘要】信用卡業(yè)務在中國的發(fā)展方興未艾，競爭也日趨激烈。如何更多地了解客戶的信息，并將這種信息轉(zhuǎn)變成“知識”，從而更好地為客戶提供高質(zhì)量的個性化服務，保持和發(fā)展高價值的客戶，已經(jīng)成為各銀行開展信用卡業(yè)務的一個緊迫的課題。目前, 應用于信用卡營銷中的技術(shù)手段包括數(shù)據(jù)庫營銷, 以及利用最新引入營銷領(lǐng)域的數(shù)據(jù)挖掘技術(shù)營銷。新興的數(shù)據(jù)挖掘技術(shù)能夠從海量的信用卡業(yè)務存儲數(shù)據(jù)中發(fā)現(xiàn)一些未知的，有價值的規(guī)律，無疑為銀行提供個性化地信用卡服務提供了強有力的支持。 本文在數(shù)據(jù)挖掘技術(shù)在信用卡客戶營銷和信用風險管理方面的應用,主要分析了客戶細分模型、 客戶流失模型、 客戶信用許可模型、 客戶行動態(tài)跟蹤模型、 欺詐鑒別與管理模型?！娟P(guān)鍵詞】數(shù)據(jù)挖掘;客戶營銷;風險管理；響應度模型一、 引言 隨著市場的不斷發(fā)展，銀行之間的競爭也越來越激烈。銀行需要更多地了解用戶以能在最短的時間里響應他們的需求。銀行的主要業(yè)務之一信用卡業(yè)務正逐步完善，銀行的信用卡業(yè)務逐漸體現(xiàn)出發(fā)行數(shù)量大、客戶眾多、交易頻繁、交易信息全面準確等特點，客觀上具備了進行多維數(shù)據(jù)分析和數(shù)據(jù)挖掘的條件。同時，信用卡業(yè)務數(shù)據(jù)分析和挖掘能夠為業(yè)務管理人員和決策者動態(tài)地制作各類報表，利用智能數(shù)據(jù)挖掘工具發(fā)現(xiàn)信用卡行為模式，分析信用卡市場并進行市場預測，這也正好與銀行提高服務質(zhì)量、拓展市場、降低經(jīng)營風險、提高經(jīng)營效率的目標相符合?；跀?shù)據(jù)挖掘的信用卡管理系統(tǒng)正是為了適應銀行目前的這種需求而研發(fā)的。數(shù)據(jù)挖掘即數(shù)據(jù)庫中的知識發(fā)現(xiàn) ,就是從大量的、 不完全的、 有噪聲的、 模糊的、 隨機的實際應用數(shù)據(jù)中,提取隱含在其中的、 人們事先不知道的、 潛在有用的信息和知識的過程。二、數(shù)據(jù)挖掘在信用卡客戶營銷中應用2.1 基于數(shù)據(jù)挖掘的信用卡營銷信用卡營銷是指通過激發(fā)和挖掘人們對信用卡商品的需求, 設(shè)計和開發(fā)出滿足持卡人需求的信用卡商品, 并且通過各種有效的溝通手段, 使持卡人接受并使用這種商品, 從中獲得自身最大的滿足, 以實現(xiàn)經(jīng)營者的目標。 近年來, 由于信用卡市場競爭越來越激烈, 任何一種信用卡要想搶占更多的市場份額, 都必須不斷地創(chuàng)新其營銷手段。數(shù)據(jù)挖掘技術(shù)被廣泛應用到市場營銷中是以市場細分原理為基礎(chǔ), 假定 “消費者過去的行為是其今后消費傾向的最好說明”于數(shù)據(jù)挖掘的信用卡營銷實質(zhì)是利用數(shù)據(jù)挖掘方法實現(xiàn)信用卡營銷預測的過程。 在數(shù)據(jù)挖掘方法中, 回歸模型、 決策樹模型是目前最常應用于營銷預測方向的數(shù)據(jù)挖掘方法。 2.2 基于數(shù)據(jù)挖掘的信用卡營銷響應度建模這里所定義的信用卡營銷響應度是指銀行在進行信用卡營銷, 特別是宣傳、 促銷活動的時候, 接受營銷活動的客戶做出的回應, 即客戶提出信用卡申請的可能性。 本文所要建立的信用卡營銷響應度模型, 是通過對商業(yè)銀行目前積累的大量的客戶數(shù)據(jù)進行一系列的處理, 利用不同預測類數(shù)據(jù)挖掘方法對所有銀行已有客戶的信用卡營銷響應度進行預測,通過評估不同模型的預測效果, 選擇最適合的數(shù)據(jù)挖掘方法建立完整的數(shù)據(jù)挖掘流程, 從而給出每個客戶對信用卡宣傳活動的響應度, 并同時得到對應于不同響應度的客戶群的特征。通過建立這樣一個信用卡營銷響應度模型，商業(yè)銀行一方面可以利用模型的預測結(jié)果，對具有不同特征、不同響應度的客戶群進行有選擇和有針對性的宣傳活動，從而減少信用卡宣傳活動的盲目性；另一方面還可以利用該模型對任意一個或多個新客戶進行信用卡營銷響應度預測，給出該客戶的響應度。以下給出 信用卡營銷響應度模型的數(shù)據(jù)挖掘流程示例：1、信用卡營銷響應度模型建模數(shù)據(jù)準備本文所使用的數(shù)據(jù)源為某銀行截止到 2006 年5 月 1 日的所有客戶信息數(shù)據(jù),本文所要引用的主要數(shù)據(jù)庫屬性如表 1所示。其中, 信用等級由銀行在客戶開戶的時候根據(jù)其內(nèi)部信用評分系統(tǒng)給出; 年齡隨系統(tǒng)時間更新;收入水平為年收入。對于有多個賬戶的客戶, 經(jīng)過處理后將該客戶的同類賬戶余額的匯總金額作為賬戶余額。表1 信用卡響應度模型的數(shù)據(jù)挖掘數(shù)據(jù)源表屬性變量名變量說明變量類型取值說明Cif _num客戶編碼文本Name姓名文本Sex性別文本男，女Certype證件類型文本身份證、護照、軍證Cert_number證件號碼文本Birthdate_yyyy出生年數(shù)字四位數(shù)值Touch_addr聯(lián)系地址文本Handset聯(lián)系方式文本Credit_level信用等級文本優(yōu)、良、中、差odate_yyyy檔案建立年數(shù)字四位數(shù)值Psbk_bal存款余額數(shù)字連續(xù)性數(shù)值Loanbin貸款余額數(shù)字連續(xù)性數(shù)值Bin不良貸款數(shù)字0、1 “1”代表有不良貸款Age年齡數(shù)字系統(tǒng)年與出生年之差I(lǐng)ncome年收入數(shù)字連續(xù)數(shù)值在上述數(shù)據(jù)基礎(chǔ)上進行的數(shù)據(jù)挖掘建模數(shù)據(jù)準備是指為實施各種數(shù)據(jù)挖掘方法而對數(shù)據(jù)源進行的包括數(shù)據(jù)探索、 抽樣、 分塊、 變量轉(zhuǎn)換以及缺失值替換等一系列的數(shù)據(jù)準備工作。2、 信用卡營銷響應度數(shù)據(jù)挖掘建模經(jīng)過以上數(shù)據(jù)準備環(huán)節(jié)后輸出的數(shù)據(jù)集就可以用來建立數(shù)據(jù)挖掘模型。（1）信用卡營銷響應度邏輯回歸模型邏輯回歸和線性回歸的主要區(qū)別在于依賴變量 ( 目標變量) 是連續(xù)的還是離散的。邏輯回歸的依賴變量是不連續(xù)的, 而是離散的或類型變量, 例如本文要預測信用卡營銷活動中客戶的響應只有響應和非響應兩個值, 所以本文選用邏輯回歸進行數(shù)據(jù)挖掘建模。邏輯回歸的原理可以簡單地解釋為一組前提、假設(shè)和結(jié)論。前提: 依賴 ( 目標) 變量非連續(xù), 通過對依賴變量進行轉(zhuǎn)換, 使之成連續(xù)的值, 即關(guān)于事件發(fā)生的概率的函數(shù)。假設(shè): p 為事件發(fā)生的概率;p/ ( 1- p) 是事件發(fā)生的可能性;ln ( p/ ( 1- p) ) 是預測因子的線性函數(shù)。結(jié)論: 通過發(fā)現(xiàn)預測因子 x 與 ln(p/(1- p)之間的線性關(guān)系: Ln (p/(1- p)= 0+ 1X1+ n Xn, 導出預測系數(shù)或權(quán)重后, 最終的概率用公式 ( 1) 來計算 p: 公式（1）結(jié)論中的回歸系數(shù)的值通常采用極大似然法來估計參數(shù)，具體的步驟簡述為：第一步，構(gòu)造一個似然函數(shù)；第二步，取釋然函數(shù)對數(shù)值，對求關(guān)于的一階偏導數(shù) ；第三步，采用迭代法求解非線性方程組： 公式（2）由公式（2）解出的就是模型的參數(shù)估計。本文中，設(shè)相關(guān)客戶信息變量為，客戶對信用卡營銷的響應概率的預測為，則在利用SAS/EM回歸工具建模的相關(guān)設(shè)置如下：（1）將credit設(shè)為依賴變量；（2）根據(jù)邏輯回歸原理選擇LOGIT為鏈接方程；（3）由于引入的預測中存在離散的字符型變量，所以在引入回歸過程的時候要進行數(shù)量化編碼，又因為“信用等級”變量包括四個屬性值，所以這里建模的時候選擇通用線性模型法進行數(shù)量化編碼；（4）為了逐一驗證客戶信息中影響目標變量的因素，選擇回歸方式為逐步回歸法，通過逐個引入數(shù)據(jù)源中的相關(guān)變量，利用上述回歸原理，預測該變量與依賴變量之間的關(guān)系，最后不僅可以得到反映各個變量與依賴變量之間的關(guān)系，同時還可以得到在各個變量的作用下，每一個客戶對信用卡營銷響應的預測概率。將變量引入或剔除的顯著性水平設(shè)置為0.05，運行上述邏輯回歸設(shè)置得到如表2：表2 邏輯回歸結(jié)果ParameterDDFEstimateStandardErrorWaldChi-squarePrChisquareStandardizedEstimateExp(Est)Intercept1-156.00.19476421.3.9.0001.0.000Psbk_bal12.25E-61.31E-7295.28.00011.4599631.000Income10.0001234.43E-6767.24.00011.0842051.000C_credut_level 1152.10.0735428.0001.999.000Age1-0.08000.00569197.71.0001-0.6068960.923通過該結(jié)果可以看出除了變量loanbin（貸款余額）之外，psbk_bal（存款余額）、income（收入水平）、c_credit_level（信用等級）、age（年齡）四個變量作為回歸方程中的主要變量對目標變量credit（營銷響應）都具有很強的預測能力，其卡方概率都低于0.0001。說明在數(shù)據(jù)源中，客戶的存款余額、收入水平、信用等級、年齡四個變量是影響客戶在接受信用卡營銷時所做出的響應的主要因素。利用Estimate值可以得到預測credit的回歸方程。（2）信用卡營銷響應度決策樹模型建立決策樹的目的是要將所有的數(shù)據(jù)對象劃分到不同的組, 劃分的原則是極大化響應變量在每一個組中的相似性。使用決策樹建模的最大好處是結(jié)果易于解釋。本文使用決策樹建模的目的是將所有的客戶按照一定的分類算法生成決策樹, 從而得到不同營銷響應率的分組人群, 同時還可以進一步考察不同分組人群的分組特征, 為進一步制定營銷計劃提供幫助。本文利用 SAS/EM 工具構(gòu)建的CART分類樹模型得到如下分類規(guī)則: IF 30007.5 = 年收入 30036.5THEN N : 9 1 : 13.1% 0 : 86.9% IF 1352755.5 = 存折余額AND 檔案建立年 1993.5AND 20.5 = 年齡AND 30036.5 = 年收入THEN N : 11 1 : 10.7% 0 : 89.3% IF 性別 EQUALS 女AND 11 = 存折余額 1352755.5AND 檔案建立年 1993.5AND 20.5 = 年齡AND 30036.5 = 年收入THEN N : 28 1 : 79.2% 0 : 20.8% IF 性別 EQUALS 男AND 11 = 存折余額 1352755.5AND 檔案建立年 1993.5AND 20.5 = 年齡AND 30036.5 = 年收入THEN N : 56 1 : 54.6% 0 : 45.4% IF 30036.5 = 年收入 32383.5AND 1993.5 = 檔案建立年AND 20.5 = 年齡AND 11 = 存折余額THEN N : 152 1 : 75.9% 0 : 24.1%由以上規(guī)則可以看出, 決定客戶對信用卡營銷響應度的最主要因素取決于客戶的收入水平, 在收入水平都達到一定程度 ( 以本數(shù)據(jù)源為依據(jù)的標準為年收入 30036.5 元人民幣以上) 的時候, 決定該客戶是否愿意接受本銀行所發(fā)出的信用卡營銷活動,取決于其在本行的存款賬戶余額的多少。在存款余額高于一定水平的情況下, 客戶的響應度差別取決于其年齡。繼續(xù)分支的標準是 “檔案建立年” , 客戶響應百分比最高為 79.2%。 利用該規(guī)則, 信用卡營銷決策人員就可以針對某個響應度來確定營銷對象群體的特征, 根據(jù)這個特征進行具體的營銷策劃。（3）信用卡營銷響應度數(shù)據(jù)挖掘模型比較數(shù)據(jù)挖掘的一個方面是需要以滿足分析目的的方式表達最終結(jié)果。對于商業(yè)數(shù)據(jù)需要評估這些模型, 不僅僅是對這些模型進行分析, 而且要對由這些模型產(chǎn)生的結(jié)果進行比較。本文利用 Lift 圖評估上述兩個模型得知: 兩個模型的性能接近, 但模樹模型和回歸模型, 在 Lift 圖的第一個 10 分位點的 lift 值分別為 8.75 和 6.48, 這意味著使用決策樹模型的成功率是隨機選擇 ( 不用模型) 的 8.75 倍,而使用回歸建模的成功率是隨機選擇的 6.48 倍。所以, 決策樹模型的應用效果更好。2.3 數(shù)據(jù)挖掘在信用卡營銷中的體現(xiàn)在信用卡發(fā)卡量高速增長的同時, 信用卡發(fā)卡質(zhì)量和效益并沒有得到同步提高。當前國內(nèi)的信用卡市場存在很多問題, 如發(fā)卡銀行盲目發(fā)卡,導致資源浪費; 信用卡激活率低;贏利水平低等;客戶忠誠度水平低,剪卡率居高不下等現(xiàn)象。從上述信用卡市場存在的問題中,可以看出銀行業(yè)信用卡業(yè)務的競爭已不僅僅是市場份額的競爭,而更多地表現(xiàn)為對優(yōu)質(zhì)客戶占有量的競爭。下面介紹數(shù)據(jù)挖掘技術(shù)在信用卡營銷中的具體應用。2.3.1 客戶細分分析（1）基于信用評分的細分信用卡業(yè)務的主要利潤來源是客戶信用交易帶來的利息收入,因此客戶價值也就是客戶的信用價值, 基于價值的細分也就是基于信用價值的細分?？蛻粜庞迷u分是在客戶以往信用行為的基礎(chǔ)上,對客戶下一個周期可能帶來的最大信用價值的累計預測, 也就是通過客戶服務能夠挖掘的最大客戶信用價值。信用評分的結(jié)果是將每個客戶的未來信用價值以一定的分值表示, 也就是將客戶按照預期信用價值的不同進行細分。對信用卡客戶的價值細分以信用評分為基礎(chǔ),通過聚類分析將信用卡客戶分為高信用客戶、中信用客戶和低信用客戶。（2）基于信用行為的細分信用卡客戶的交易行為主要是使用信用卡透支消費, 因此對信用卡客戶的行為細分主要是客戶信用行為細分。客戶信用行為主要涉及客戶信用貸款使用情況和信用貸款歸還情況。因此, 相應的信用行為細分也分為兩類: 一是根據(jù)客戶循環(huán)信貸額度的使用情況,將客戶分為大量使用、 中度使用和少量使用三類; 二是根據(jù)是否有不良記錄將客戶分為有不良記錄和無不良記錄兩類。2.3.2 客戶流失分析在信用卡行業(yè)中,開發(fā)一個新客戶是挽留一個老客戶成本的5 倍。當一個客戶以前是活躍戶, 最近幾個月基本上處于靜止狀態(tài),再綜合考慮其他因素就可以基本判斷這個客戶流失傾向的概率?？蛻袅魇Х治鼍褪峭ㄟ^客戶用卡行為的變化來預測客戶流失的可能性,針對流失可能性比較大的客戶采取一定的挽留措施, 減少客戶流失。信用卡業(yè)務是標準化程度較高、 客戶轉(zhuǎn)換成本較低的業(yè)務,發(fā)卡行應針對不同消費群體的需求偏好,在產(chǎn)品的附加功能上下功夫,為持卡人提供增值服務,盡量留住客戶。三、 數(shù)據(jù)挖掘在信用卡信用風險管理中的應用信用風險指的是借款人或交易對象不能按協(xié)議履行或不能全部履行義務的潛在可能性而造成的風險。信用風險管理的目標是通過將信用風險控制在可以接受的范圍內(nèi)而獲得最高的風險調(diào)整收益。下面將介紹基于數(shù)據(jù)挖掘技術(shù)的信用風險管理的若干模型。( 1)客戶信用許可模型在客戶信用許可模型中, 既可以按照數(shù)據(jù)挖掘中的統(tǒng)計分析方法開發(fā)出信用評分模型, 也可以用數(shù)據(jù)挖掘中的決策樹方法, 這兩種方法可謂是異曲同工。在實際應用中, 不應該偏廢任何一種。數(shù)據(jù)挖掘方法進行信用評分的目的同樣是從已有數(shù)據(jù)中分析歸納出信用評估的規(guī)則和標準, 將這些規(guī)則或標準應用于申請信用卡客戶的信用評分中, 根據(jù)滿足某種條件而將該客戶劃分為某種信用級別,這種模型尤其適合于首次申請信用卡許可的客戶。( 2)客戶行為動態(tài)跟蹤模型由于客戶處在一定的社會環(huán)境中,其消費行為不可能一成不變,其信用等級應該發(fā)生與之相適應的動態(tài)調(diào)整,這可以借鑒國外百余年的個人信用制度, 建立個人信用檔案,動態(tài)跟蹤客戶信用狀況。如可以通過分析挖掘信用卡客戶的交易數(shù)據(jù)和潛在信息, 準確地界定用戶在特定時間的信用級別, 及時將這些信息傳輸?shù)斤L險控制部門,以便風險控制人員適時地調(diào)整授信額度,以防止呆賬的發(fā)生,維護好銀行業(yè)的第一道防線。( 3)欺詐鑒別與管理模型信用卡的方便快捷使其成為越來越流行的支付方式, 但是隨之而來的惡意透支、 可疑交易、 盜卡甚至專業(yè)的偽卡集團, 使得發(fā)卡銀行損失慘重。數(shù)據(jù)挖掘是遏制這些欺詐的一種有效手段。它通過對大量已知的欺詐客戶和非欺詐客戶的數(shù)據(jù)進行總結(jié)分析,尋找出欺詐客戶的背景特征和欺詐行為特征。對于鑒別欺詐方面,通過聚類分析數(shù)據(jù), 將數(shù)據(jù)劃分成出現(xiàn)欺詐可能性高的組和可能性低的組,當聚類分析的結(jié)論經(jīng)過驗證后,在此基礎(chǔ)上建立一個針對信用卡欺詐的分類挖掘模型,幫助商業(yè)銀行事先發(fā)現(xiàn)具有潛在欺詐性的客戶。信用卡的各種應用，使得信用卡存在相當?shù)娘L險。 數(shù)據(jù)挖掘幫助銀行跟蹤客戶透支交易行為，判段客戶的信用，通過數(shù)據(jù)挖掘判斷風險出現(xiàn)的原因及方式， 以便決策者及時處理， 實現(xiàn)事前預測、 事中控制、 事后化解， 確保信用卡業(yè)務能夠高效、 安全地發(fā)展。數(shù)據(jù)挖掘工具能幫用戶預示出交易是否存在欺詐。數(shù)據(jù)挖掘模型跟蹤交易數(shù)據(jù)， 對歷史數(shù)據(jù)進行分析， 找出導致信用卡欺詐的因素、 特征和行為， 建立精確地對欺詐可能性進行測度的規(guī)則。 數(shù)據(jù)挖掘模型還能實時進行購買行為監(jiān)測， 實時監(jiān)測可疑活動， 加快合理交易的受理時間， 使銀行可以馬上發(fā)現(xiàn)可疑的交易并采取措施， 減少欺詐風險。四 總結(jié)與展望隨著信用卡營銷業(yè)務的推廣, 越來越多的銀行認識到, 信用風險管理的著眼點不是達到期望的信用風險水平所必要的控制, 而是將控制交織在敞口的各項基本元素中。信用卡信用風險管理, 對信用卡業(yè)務來說, 具有雙面性。銀行信用卡業(yè)務的營銷, 其核心就是要在這種收益和風險中找到