企業(yè)信用卡使用風(fēng)險管基于cati的數(shù)據(jù)挖掘模型知識課件教案

Itisapplicabletoworkreport,lectureandteaching企業(yè)信用卡使用風(fēng)險管基于CATI的數(shù)據(jù)挖掘模型知識——基于CATI的數(shù)據(jù)挖掘模型信用卡使用風(fēng)險管理報告內(nèi)容信用卡風(fēng)險管理概述一信用卡風(fēng)險管理的方法論二信用卡使用風(fēng)險建模三研究結(jié)論與建議四一、信用卡使用風(fēng)險概述概述1.3本研究的主要貢獻(xiàn)1.2信用卡風(fēng)險管理的概念1.1信用卡風(fēng)險管理的產(chǎn)生背景1.1信用卡風(fēng)險管理的產(chǎn)生背景信用卡的起源信用卡業(yè)務(wù)的發(fā)展隨著其業(yè)務(wù)、服務(wù)等方面的不斷完善，信用卡為人們?nèi)粘Ｉ钪械馁M用支付提供了方便，又具有先消費后付款的特點，從而被越來越多的人們接受。在西方發(fā)達(dá)國家，信用卡業(yè)務(wù)已經(jīng)成為發(fā)卡機構(gòu)的主要利潤源。于1915年起源于美國，它最初只是憑卡購買貨物、支付勞務(wù)費用和支取小額現(xiàn)金的一種支付憑證?！翱ㄅ迸c風(fēng)險然而，風(fēng)險總是與利潤并存。在信用卡被更多的人們接受使用的同時，各銀行間也為爭奪市場，紛紛降低申領(lǐng)信用卡的門檻，“卡奴”這一新群體誕生，卡奴們的透支現(xiàn)象層出不窮，信用卡風(fēng)險隨之產(chǎn)生。美國的信用卡債務(wù)已經(jīng)上升到創(chuàng)紀(jì)錄的7千9百億美元。華盛頓的研究機構(gòu)“美國進(jìn)步中心”的報告發(fā)現(xiàn)，信用卡債務(wù)比起近10年前增長了4倍.因此，信用卡風(fēng)險管理成為各發(fā)卡機構(gòu)關(guān)注的重點，它在控制信用卡的風(fēng)險、提高信用卡利潤等方面起了十分重要的作用。1.2信用卡風(fēng)險管理的概念信用卡風(fēng)險管理（CRM)Addyourtitleinhere簡言之，信用卡風(fēng)險管理，就是要以良好的風(fēng)險管理技術(shù)，優(yōu)化配置稀缺信貸資源，使風(fēng)險和收益達(dá)到平衡，從而使信用卡經(jīng)營效益達(dá)到最大化。發(fā)卡機構(gòu)在信用卡業(yè)務(wù)運作過程中，對信用卡風(fēng)險進(jìn)行識別、分析、計劃、追蹤、控制與反饋，用最低成本，即用最經(jīng)濟(jì)合理的方法來實現(xiàn)最大安全保障的行為。1.3本研究的主要成果成果1成果2成果3成果4根據(jù)持卡人有關(guān)的欠款、還款記錄和個人與家庭經(jīng)濟(jì)狀況，區(qū)分用戶的風(fēng)險級別，便于授信評級，并提高發(fā)卡機構(gòu)客戶管理的質(zhì)量。針對持卡人年齡、職業(yè)、收入、興趣、愛好等特點，劃分出不同的細(xì)分市場，推出具有滿足特定需求的卡種，并有利于簡化審批程序，降低成本。通過嚴(yán)格的模型分析，發(fā)現(xiàn)大量信用卡風(fēng)險的影響因素，便于發(fā)卡機構(gòu)提前做好防范措施，并采取相應(yīng)的限制措施，減少潛在損失。幫助銀行建設(shè)完善的風(fēng)險管理體系。豐富各發(fā)卡機構(gòu)原先對于自有持卡客戶的理解，幫助他們從更高的信用卡服務(wù)市場層次上了解信用卡的使用行為和風(fēng)險特征。二、信用卡風(fēng)險管理的方法論信用卡風(fēng)險管理方法論探索分析相關(guān)分析模型評估方法特征識別客戶細(xì)分行為特征識別2.1探索分析與相關(guān)分析相關(guān)分析

Spearman

等級相關(guān)，又叫“秩相關(guān)”、“順序相關(guān)檢驗”，是一種較簡易、不十分精確的指標(biāo)之間相互關(guān)系的測定方法。kendalltau也是一種十分常見的非參數(shù)檢驗方法，有一定的概率涵義。即，兩變量的觀測值同序概率與異序的概率差別。探索分析探索性數(shù)據(jù)分析技術(shù)這一新開發(fā)的穩(wěn)健、高效的數(shù)據(jù)分析方法能直截了當(dāng)?shù)匕逊治稣邔?dǎo)向數(shù)據(jù)的結(jié)構(gòu)。整個探索性數(shù)據(jù)分析的過程有四個主題：耐抗性、殘差、重新表述和圖形啟示，它們常常組合起來使用。探索分析與相關(guān)分析2.2特征識別與客戶細(xì)分分類樹著眼于從一組無次序、無規(guī)則的事例中推理出分類樹表示的分類規(guī)則。構(gòu)造分類樹的目的是找出屬性和類別間的關(guān)系,用它來預(yù)測將來未知類別的記錄的類別。聚類分析包含了層次聚類分析和非層次聚類分析兩大類別。由于層次聚類分析采用的是逐層分離（或逐層匯總）的策略，因而更適合具有明顯層次涵義的數(shù)據(jù)聚類。相對而言，非層次聚類分析則不強調(diào)層次性，利用隨機方法動態(tài)生成聚類，適用于無任何層次涵義的聚類分析任務(wù)。用于特征識別方法2.3行為特征識別神經(jīng)網(wǎng)絡(luò)模型Addyourtitleinhere近來神經(jīng)網(wǎng)絡(luò)越來受到人們的關(guān)注，因為它是解決較為復(fù)雜問題中的一種相對簡單的方法。是一種把各種各樣的輸入（input）通過復(fù)雜的網(wǎng)絡(luò)轉(zhuǎn)換成輸出（output）的信息加工結(jié)構(gòu)。2.4模型評估方法完成模型的制定以后，下一步就是對模型進(jìn)行評估，檢驗其預(yù)測能力的強弱。一般來說，模型的檢驗有兩種方式：樣本內(nèi)檢驗（insampletest）和樣本外檢驗（outofsamplevalidation）。三、信用卡使用風(fēng)險建模持卡人星座與血型對信用卡使用風(fēng)險的影響數(shù)據(jù)獲取及處理信用卡風(fēng)險與個人信息和家庭信息的關(guān)系信用卡風(fēng)險與持卡人特征分析問題定義持卡人特征分析.建模1.2.3.4.5.6.3.1數(shù)據(jù)獲取以及處理

獲取方式來自電話調(diào)查(ComputerAidedTelephoneInvestigation,CATI)調(diào)查數(shù)據(jù)問卷共計1,048,575筆CATI每卷30個問題這30個問項中，有兩個多選題（Q11，Q13），其余都是單選題。問卷內(nèi)容第1題“辦理信用卡的方式”。第2題指第8題關(guān)于信用卡不良記錄第9題至第13題為持卡人的使用特性；第14題到第30題為持卡人的個人信息問項描述creditbankhome問項描述personal合并風(fēng)險指示變量我們建立了7個風(fēng)險指示變量，分別是：cred_default,cred_overdue,cred_refuse,cred_compel,cred_return,bank_baddebt，bank_debt.風(fēng)險指示變量的非參數(shù)相關(guān)系數(shù)表（Kendalltau-b相關(guān)系數(shù)）綜合風(fēng)險指示變量為了能夠突出本研究的分析重點——信用卡使用風(fēng)險特征識別，同時也為方便后續(xù)分析，我們將這七個風(fēng)險指示變量規(guī)整合并為兩個綜合風(fēng)險指示變量：y_bank和y_cred。y_banky_bank=sum(bank_baddebt,bank_debt)y_credcred_default=0y_cred=sum(cred_overdue,cred_refuse,cred_compel,cred_return)cred_default=1y_cred=5多選項問題Q13的處理1服務(wù)好2失卡風(fēng)險小3（免）年費低4繳款期限6循環(huán)信用利息7出國好用8信用額度17貸款融資方便5促銷活動9親友使用口碑13提供商品信息14郵購目錄15特別禮遇10品牌知名度11品牌印象好13有認(rèn)同感16身份表征多選項問題Q11的處理最常使用的信用卡種類變量變換*VISA普卡，VISAQ11_1MASTER普卡，MASTER金卡Q11_2運通普卡，運通金卡Q11_3其它Q11_4cred_type=sum(Q11_1,Q11_2,Q11_3,Q11_4)*Q11_1,Q11_2,Q11_3,Q11_4取值為0或1，1表示持有相應(yīng)的信用卡型數(shù)據(jù)分割比例配比訓(xùn)練集（40%）測試集（30%）驗證集（30%）分割方法簡單隨機抽樣利用Clementine11.0的Partition節(jié)點完成。變量標(biāo)識分割后的三個數(shù)據(jù)集用新增變量Partition的取值標(biāo)識，但仍合并在同一個數(shù)據(jù)文件里。3.2問題定義1.2.3.信用卡用戶各細(xì)分群體特征如何？怎樣識別？持卡人的持卡風(fēng)險的構(gòu)成，其持卡風(fēng)險能否預(yù)測？怎樣識別持

卡風(fēng)險者？本研究把持卡風(fēng)險問題歸結(jié)為如下的三個問題：3.3持卡人特征分析為了區(qū)分出持卡人的特征群體，我們利用k-means方法對持卡人個人信息的有關(guān)變量（即以p_為前綴的變量）進(jìn)行了聚類分析。聚類結(jié)果的圖形展示如下：Cluster2p_ave_expense1.24-34歲，男性，較低收入，消費水平10000臺幣以下，刷卡消費中等，都市地區(qū)用戶”2.20~29歲，女性，較低收入和低月消費，刷卡消費金額中等，都會用戶3.20-39歲，女性，收入低，月消費在10001-20000臺幣之間，刷卡消費金額中等或以下，都會用戶4.15-24歲，男性，收入低，月消費低，刷卡消費中等或以下，都市用戶5.20-34歲，女性，較低收入和較低消費水平，刷卡消費中等，都市用戶3.4信用卡風(fēng)險與持卡人個人信息由于分析信用卡風(fēng)險的預(yù)測因素是本研究的主要目的，因此，我們特別關(guān)注信用卡風(fēng)險等級較高的節(jié)點（即直方圖黃色與紅色突出的節(jié)點）。y_banky_bank=1or2y_bank=2y_p_maritus=3“風(fēng)險客戶”有銀行帳戶風(fēng)險等級為2具有最高的信用卡風(fēng)險（y_cred=5），銀行帳戶風(fēng)險等級（y_bank=1），已婚（p_maritus=2），且信奉基督教（p_religion=3）其年齡為35~39歲之間（p_age=5），沒有收入來源（p_avg_income=1），月均消費額僅為10,001~20,000之間（p_avg_expense=2），但卻月均刷卡消費額為100,000~150,000臺幣…C5.0的gain圖紅色：basicline綠色：預(yù)測線藍(lán)色：理想線C5.0的分類矩陣96.3%96.1%96.18%而采用Logistic模型的結(jié)果也并不理想。從Clementine11.0的Analysis節(jié)點生成的收益圖可知，Logistic模型的與理想模型有較大差距，但從分類矩陣種可以看出：實際上采用逐步迭代的Logistic模型得出的結(jié)果都是0。Logistic模型89.93%89.88%90.01%高風(fēng)險！3.5利用個人信息與家庭信息識別信用卡使用風(fēng)險為了得到有意義的分類結(jié)果，我們使用所有的個人信息和家庭信息建立了多個分類樹模型。家庭信息保留：家庭成員（H_member），住家情況（H_housing），家庭經(jīng)濟(jì)狀況（h_economy）等三個家庭信息變量，個人信息方面保留了：持卡人月均消費額（p_avg_expense），持卡人受教育程度（p_edu），持卡人年齡（p_age），持卡人婚姻狀態(tài)（p_maritus），持卡人性別（p_gender），持卡人居住地（p_region），持卡人月均刷卡消費額（p_avg_cred_exp），持卡人注重的信用卡功能（p_preference），持卡人宗教信仰（p_religion），持卡人居住地的都市化程度（p_surrounding）等十個變量。H_member=1P_avg_expense=5高風(fēng)險客戶的特征“個人月均消費額不高（p_avg_expense<5），從事任意職業(yè)（即非家庭主婦，或無業(yè)），受教育程度為小學(xué)以下（p_edu=1），年齡在15~19歲之間（p_age=1）的獨居者（H_member=1）”“職業(yè)為家庭主婦或無業(yè)（p_job=20，21），已婚（p_maritus=2），且家庭經(jīng)濟(jì)狀況在中等以下（h_economy<4）”“雖然擁有一份職業(yè)，但其月均信用卡消費額度超過20萬臺幣（p_avg_cred_exp=8）”，……99.99%99.97%99.99%3.6持卡人星座與血型

對信用卡使用風(fēng)險的影響當(dāng)前，相當(dāng)比例的人群相信星座和血型對于性格、財運、事業(yè)、情感等個人行為的影響。雖然缺乏科學(xué)依據(jù)和實驗證據(jù)，但對于個人而言，要完全回避星座運勢，以及血型性格等預(yù)言的影響，實在困難。因此，本研究也對這一現(xiàn)象加以研究，并驗證假設(shè)：持卡人發(fā)生信用卡風(fēng)險是否與個人星座或血型有關(guān)。C5.0分類樹僅能得到一個根節(jié)點。CHAID分類樹雖然能夠得到多層子節(jié)點，但每個節(jié)點上的直方圖卻顯示幾乎所有的分類變量都缺乏識別信用卡風(fēng)險的能力。四、研究結(jié)論與分析4.1細(xì)分客戶群4.3使用風(fēng)險的管理及建議4.2持卡風(fēng)險構(gòu)成及識別結(jié)論與分析4.1細(xì)分客戶群Cluster1Cluster2Cluster3Cluster4Cluster5客戶群20-29，女性，較低收入和消費，都會用戶，刷卡金額中等24-34，男性，較低收入和消費，都會用戶，刷卡消費中等20-39，女性，收入低，刷卡消費中等或以下，都會用戶15-24，男性，收入消費低，都市用戶，刷卡消費中等或以下20-34，女性，收入和消費較低，都市用戶，刷卡和消費中等4.1細(xì)分客戶群綜合發(fā)現(xiàn)通過分析結(jié)果我們發(fā)現(xiàn)，持卡者個人收入和消費均較低，但和他們的刷卡消費比較，后者維持在較高的水平，這也意味著，收入和消費較低的群體應(yīng)是各發(fā)卡機構(gòu)重點關(guān)注的潛在用戶，同時也應(yīng)根據(jù)其水平來制定相應(yīng)的信用卡額度，以減少持卡者透支還不起卡債的現(xiàn)象發(fā)生。女性群體都市女性的收入和消費比都會女性高，因此發(fā)卡機構(gòu)應(yīng)提高都市女性持卡者的信用額度；而都會女性的收入和消費不高，刷卡金額也相對較低，信用風(fēng)險較低，在限定額度的同時，應(yīng)多挖掘出此類都會女性。男性群體由于男性持卡者大都分布在都市地區(qū)，刷卡金額中等或以下，青年男性消費水平比低齡男性低，考慮到前者工作機會比后者更大，因此發(fā)卡機構(gòu)應(yīng)在限定信用卡額度的同時，適當(dāng)提高青年男性的信用卡額度4.2持卡風(fēng)險構(gòu)成及識別

職業(yè)類型體現(xiàn)收入的水平和穩(wěn)定性，是持卡人還款的保障，正如模型所顯示的，無兼職的家庭主婦和無職業(yè)者很容易成為高風(fēng)險持卡者。通過信用卡維持不合理的高消費，很有可能導(dǎo)致個人資金彈性的脆弱，引發(fā)信用卡違約風(fēng)險。刷卡金額越