大数据时代信用卡业务数据挖掘问题浅析.docx

??

?

??

大数据时代信用卡业务数据挖掘问题浅析

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

日前爆红的美剧《纸牌屋》将“大数据”引入了普通人的视野，让人们了解到从各种类型的数据中快速获得有价值的信息，就是大数据技术。近期，360手机卫士通过五年多来形成的十亿级骚扰号码数据库，综合使用几十种聚类算法、十余种身份识别以及地域识别算法，通过200多个标签信息对手机用户进行分类细化。在2014年世界杯足球赛期间，IBM通过社交大数据技术对舆情数据进行分析，在半决赛开始前就已经通过观众的支持率准确判断出四强名次。2014年底，支付宝发布十年对账单，为用户梳理自支付宝诞生起的购物、理财、生活缴费等数据……围绕大数据的讨论和研究从未停止，不禁让人感叹大数据的强大作用。

一、大数据时代下数据挖掘在银行业的主要应用

数据挖掘（DataMining）是一种新的商业信息处理技术，产生于20世纪80年代的美国，首先应用在金融、电信等领域，主要特点是对大量数据进行抽取、转换、分析和模型化处理，从中提取有助于商业决策的关键性数据。随着银行信息化的迅速发展，大量业务数据不断产生，从海量数据中提取有价值的信息，为银行的商业决策服务，成为数据挖掘的重要应用领域。国外的汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。如今，数据挖掘已在国内银行信用卡业务中有了广泛深入的应用。

1．风险管理

数据挖掘在银行业的重要应用之一是风险管理，如信用风险评估。通过构建信用评级模型，可评估贷款人或信用卡申请人的风险水平。信用风险评估解决方案可以对银行数据库中所有的账户指定信用评级标准，进行若干次数据库查询就可以得出信用风险的列表。这种对于风险的评级或分类基于每个客户的账户特征，如尚未偿还的贷款、信用调降报告记录、账户类型、收入水平及其他信息等。

对于客户账户的信用评估可采用直观量化的评分技术，将客户的海量信息数据以某种权重加以衡量，针对各种目标给出量化评分。以信用评分为例，通过由数据挖掘模型确定的权重，给每项申请的各指标打分，加总得到该申请人的信用评分情况。银行可根据信用评分来决定是否向其发放信用卡，以及确定信用额度。过去，信用评分的工作由银行信贷员完成，只考虑几个经过测试的变量，如就业情况、收入、年龄、资产、负债等；现在应用数据挖掘的方法，可以增加更多的变量，提高模型的精度，满足信用评价的需求。

通过数据挖掘，还可以监测信用卡异常使用情况。根据历史数据，可评定造成信贷风险以及可能造成风险损失的客户的特征和背景，在此基础上，运用系统的方法对信贷风险类型和诱因进行识别、估测，从而有效控制和降低信贷风险。通过建立信用欺诈模型，可帮助银行发现潜在的欺诈性事件，开展欺诈侦查分析，预防和控制资金非法流失。

2．客户管理

（1）新客户获取

发现和开拓新客户对于任何一家银行来说都至关重要。通过探索性的数据挖掘方法，可以找出已有客户在数据库中的特征，那些被定为“有利”的特征可以与非客户群进行匹配，以增加营销活动的效果。

数据挖掘还可从银行数据库存储的客户信息中，根据事先设定的标准找到符合条件的客户群，也可以把客户进行聚类分析使其自然分群，通过对客户的收入、风险等相关因素的分析、预测和优化，找到新的可盈利目标客户。

（2）客户挽留

通过数据挖掘发现流失客户的特征后，银行可以在具有此类相似特征的客户未流失之前，采取提供额外增值服务、特殊待遇和激励忠诚度等措施保留客户。比如，使用信用卡损耗模型预测哪些客户将停止使用本行信用卡，而转用竞争对手的信用卡，根据数据挖掘结果，银行可以采取相应措施来赢得这些客户的信任，或对客户进行关怀访问，争取留住客户。

为防止客户流失，就必须了解客户的需求。数据挖掘可以识别导致客户转移的关联因子，通过孤立点分析法发现客户的异常行为，从而使银行避免不必要的客户流失。此外，数据挖掘工具还可以对大量的客户资料进行分析，建立数据模型，确定客户的交易习惯、交易额度和交易频率，分析客户对某个产品的忠诚程度、持久性等，从而为他们提供个性化定制服务，以提高客户忠诚度。

（3）优化客户服务

近年来，银行业竞争日益激烈，客户服务的质量是关系到银行发展的重要因素。客户群体可能因年费、服务、权益、优惠条件等因素变化而不断流动，为客户提供优质和个性化的服务，是取得客户信任的重要手段。根据“二八原则”，银行业20%的客户创造了80%的价值，要对这20%的客户实施最优质的服务，前提是精准锁定这20%的重点客户。重点客户的发现通常是由一系列的数据挖掘来实现的。如通过分析客户对产品的应用频率、持续性等指标来判别客户的忠诚度，通过交易数据的详细分析来鉴别哪些是银行希望维持的客户等。找到重点客户后，银行才能为客户提供有针对性的服务，进一步提高客户的忠