王雅靜

摘 要：近年來(lái)，中國(guó)的信用卡業(yè)務(wù)飛速發(fā)展，為銀行帶來(lái)了豐厚的利潤(rùn)。但招攬信用卡用戶的激烈競(jìng)爭(zhēng)導(dǎo)致銀行不斷放寬對(duì)于信用卡申請(qǐng)者的要求，疏忽了風(fēng)險(xiǎn)的管理和控制。能否掌握信用卡客戶的業(yè)務(wù)規(guī)律，并能設(shè)計(jì)相應(yīng)對(duì)策以管理控制風(fēng)險(xiǎn)，是信用卡業(yè)務(wù)成敗與否的關(guān)鍵。據(jù)此，針對(duì)銀行信用卡客戶，收集并處理他們的信息，利用決策樹算法建立個(gè)人信用評(píng)分模型，并結(jié)合社會(huì)實(shí)際情況對(duì)模型做出調(diào)整建議。

關(guān)鍵詞：

數(shù)據(jù)挖掘；決策樹；信用評(píng)分

中圖分類號(hào)：F27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16723198（2015）19006402

1 個(gè)人信用評(píng)分

一般信用的考察對(duì)象有兩個(gè)：企業(yè)和個(gè)人。對(duì)于不同對(duì)象研究方式不同，但考察目的相同，即分析借款人的還款意愿和能力。本文研究的是個(gè)人信用，個(gè)人信用指的是基于信任、通過(guò)一定的協(xié)議或契約提供給自然人（及其家庭）的信用，使得接受信用的個(gè)人不用付現(xiàn)就可以獲得商品或服務(wù)。

個(gè)人信用評(píng)分，是指通過(guò)使用科學(xué)嚴(yán)謹(jǐn)?shù)姆治龇椒?，綜合考察影響個(gè)人及其家庭的內(nèi)在和外在的主客觀環(huán)境，并對(duì)其履行各種經(jīng)濟(jì)承諾的能力進(jìn)行全面的判斷和評(píng)估。針對(duì)不同的應(yīng)用，個(gè)人信用評(píng)分分為風(fēng)險(xiǎn)評(píng)分、收入評(píng)分、響應(yīng)度評(píng)分、客戶流失（忠誠(chéng)度）評(píng)分、催收評(píng)分、信用卡發(fā)卡審核評(píng)分、房屋按揭貸款發(fā)放審核評(píng)分、信用額度核定評(píng)分等。個(gè)人信用評(píng)分是對(duì)個(gè)人信用的一種定量化描述，用客觀的方式來(lái)預(yù)測(cè)信用行為。它具有減少和控制風(fēng)險(xiǎn)、輔助準(zhǔn)確決策等作用。

2 數(shù)據(jù)采集

2.1 指標(biāo)體系的選擇

在實(shí)際的環(huán)境中，并不是所有的數(shù)據(jù)項(xiàng)都可為研究所用，因而本文結(jié)合專家法和實(shí)際可獲取數(shù)據(jù)，選取了衡量客戶的信用情況的四大主要因素，即：基本情況、職業(yè)情況、家庭情況、與銀行的往來(lái)業(yè)務(wù)關(guān)系。

2.2 數(shù)據(jù)的采集

指標(biāo)體系確定后，我們確立了具體的考察指標(biāo)，并擬出了一份銀行客戶信息的調(diào)查問(wèn)卷，在銀行進(jìn)行發(fā)放，發(fā)放總數(shù)100分，回收86份，回收率86%。

3 數(shù)據(jù)預(yù)處理

現(xiàn)實(shí)世界中經(jīng)過(guò)初步采集后的數(shù)據(jù)多半是有問(wèn)題的，所以需要對(duì)數(shù)據(jù)源進(jìn)行清洗和轉(zhuǎn)換。數(shù)據(jù)預(yù)處理技術(shù)包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換與數(shù)據(jù)歸約。本文收集到的數(shù)據(jù)較少，內(nèi)容也較簡(jiǎn)單，不需要進(jìn)行數(shù)據(jù)集成與數(shù)據(jù)歸約，所以本文的預(yù)處理過(guò)程只需進(jìn)行數(shù)據(jù)清理和數(shù)據(jù)轉(zhuǎn)換。

3.1 數(shù)據(jù)清理

初步采集的數(shù)據(jù)有很多是不完整的，本文對(duì)于這些空缺值采取最大頻數(shù)填充法。下面以“學(xué)歷”為例，介紹最大頻數(shù)填充法（參照表1）。在教育程度中，存在6條空缺值，記錄顯示“大學(xué)本科”的頻率為27.90%，且這些記錄的“行業(yè)類別”信息都存在，其中5條都屬于“教育”類，再對(duì)“教育”行業(yè)所有記錄進(jìn)行分析，有56.30%的記錄學(xué)歷為“大學(xué)本科”，是該行業(yè)最高的學(xué)歷頻率，所以可以將5條“學(xué)歷”空缺值補(bǔ)為“大學(xué)本科”。

在采集到的數(shù)據(jù)中，有些數(shù)據(jù)存在明顯錯(cuò)誤，這類數(shù)據(jù)稱為“偽樣本”。如在數(shù)據(jù)源中發(fā)現(xiàn)有數(shù)據(jù)顯示月均收入很低，沒(méi)有任何擔(dān)保卻得到了大額貸款等。這些“偽樣本”必須剔除。

3.2 數(shù)據(jù)變換

本文需要把原始數(shù)據(jù)中字符型的數(shù)據(jù)轉(zhuǎn)化為數(shù)值型的數(shù)據(jù)，以達(dá)到適用于分析軟件的目的。例如：“性別”、“健康狀況”、“家庭人均月收入”等字段，要把這些文本型變量轉(zhuǎn)化為數(shù)值型變量，以家庭人均月收入為例（如表2）。

經(jīng)過(guò)處理，得到了86條記錄，其中每個(gè)記錄含有14個(gè)屬性（1個(gè)決策屬性和13個(gè)條件屬性）。該數(shù)據(jù)集作為進(jìn)入數(shù)據(jù)挖掘軟件的測(cè)試數(shù)據(jù)集。

4 建立個(gè)人信用評(píng)分決策樹模型

4.1 用spss軟件生成樹

在spss錄入數(shù)據(jù)并定義變量屬性，把“連續(xù)拖欠月數(shù)”作為本文的決策屬性（因變量），而其他的屬性都作為為條件屬性（自變量），在CRT中選擇GINl分類樹，輸出結(jié)果，得到GINI分類的決策樹（如圖1）。

4.2 屬性賦權(quán)

給14個(gè)屬性進(jìn)行賦權(quán)量化（如圖4）。

4.3 個(gè)人信用評(píng)分模型結(jié)果

個(gè)人評(píng)分模型建立過(guò)程（如圖5）。

在對(duì)86個(gè)樣本進(jìn)行分析后，這三種級(jí)別的比例為（57.4%，31.08%，11.52%）。根據(jù)評(píng)估模型評(píng)分并結(jié)合得出的信用保險(xiǎn)系數(shù)進(jìn)行分析，得出信用評(píng)分與信用級(jí)別對(duì)應(yīng)表（如表3）。

4.4 個(gè)人信用評(píng)分模型的調(diào)整

在銀行的實(shí)際操作中，常常無(wú)法對(duì)中、低信用用戶做出合理評(píng)價(jià)，對(duì)此，需要對(duì)其信息采取進(jìn)一步收集的方法，以得出更完善的個(gè)人信用評(píng)分模型。具體的情況包含三個(gè)方面：

（1）實(shí)力較強(qiáng)的銀行可以放低拒絕標(biāo)準(zhǔn)；

（2）在社會(huì)整體發(fā)展背景形勢(shì)好的情況下，對(duì)于信用卡用戶要求可以適當(dāng)放寬；

（3）主客觀評(píng)價(jià)建模方法相結(jié)合，才能得出更可靠的信用評(píng)分模型，本文只是采用了客觀評(píng)價(jià)建模方法，還應(yīng)引入主觀建模方法（比如：AHP層次分析法、貝葉斯分析方法等）對(duì)本文信用評(píng)分模型進(jìn)行調(diào)整、完善。

參考文獻(xiàn)

[1]汪毅，朱順泉.數(shù)據(jù)挖掘技術(shù)在客戶關(guān)系管理中的應(yīng)用研究[J].湖南大學(xué)學(xué)報(bào)，2003，（02）.

[2]姜明輝，王歡，王雅林.分類樹在個(gè)人信用評(píng)分中的應(yīng)用[J].商業(yè)研究，2003.

[3]趙金濤.基于數(shù)據(jù)挖掘的銀行客戶分類模型研究[D].重慶：重慶大學(xué)，2009.

[4]曾輝.基于數(shù)據(jù)挖掘的銀行個(gè)人客戶信用評(píng)分模型的研究[J].對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)，2007.

[5]王瑜.銀行客戶關(guān)系管理現(xiàn)狀及對(duì)策分析[J].華東理工大學(xué)，2013.

[6]劉慧.基于數(shù)據(jù)挖掘技術(shù)的信用卡申請(qǐng)?jiān)u分模型的研究研究[J].東北財(cái)經(jīng)大學(xué)，2011.

[7]戴巍.數(shù)據(jù)挖掘技術(shù)在銀行個(gè)人金融業(yè)務(wù)CRM中的應(yīng)用研究[D].哈爾濱：哈爾濱工程大學(xué)，2009.