数据挖掘及其在信用卡风险控制中的应用

２００２年底中国的银行卡数量已经超过了５亿张，然而?真正的信用卡却只有１００多万张，可见中国的信用卡产业还处于初级阶段。不过，从各发卡机构热衷于推销信用卡的态势来看，国内信用卡产业发展的高潮即将到来。为了加大发卡量，各发卡机构推出了各种各样的优惠条件，却把风险控制机制的规范性忽略了。韩国信用卡产业的发展可谓是前车之鉴，２００１年，韩国信用卡产业在发卡机构及政府特殊政策的推动下达到了高潮，然而好景不长，两年后的今天，由于风险防范措施不到位，信用卡的“大窟窿”几乎颠覆了韩国的金融业。可见，风险控制对规范信用卡产业的健康发展是非常必要。从技术上讲，建立在海量数据管理之上的数据挖掘技术（ＤａｔａＭｉｎｉｎｇ，ＤＭ）能够构建一个行之有效的风险控制体系。

一、什么是数据挖掘？
数据挖掘就是从大量的、不完全的、模糊的、随机的数据中，提取隐含在其中的人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘技术是一种从大型数据库或数据仓库中提取隐藏的预测性信息的新技术，它能开采出潜在的模式，找出最有价值的信息，指导商业行为或辅助科学研究。原始数据可以是结构化的，如关系数据库中的数据?也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的；可以是演绎的，也可以是归纳的。已有的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。

二、数据挖掘是怎样进行的？

实施数据挖掘的基本步骤包括：定义商业问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型、实施。

１．定义商业问题
在开始知识发现之前，最先的同时也是最重要的要求就是了解数据和业务问题。缺少背景知识，就没法明确要解决的问题，不能为挖掘准备数据，也很难正确地解释得到的结果。比如要提高信用卡直接邮件推销的用户回应时，想做的可能是“提高用户的响应率”，也可能是“提高一次用户回应的价值”，要解决这两个问题而建立的模型几乎是完全不同的，因此必须做出合理的定义。

２．建立数据挖掘库
建立数据挖掘库分成以下几个部分：数据采集、数据描述、数据选择、数据质量评估和数据清理、合并与整合、构建元数据、加载数据挖掘库、维护数据挖掘库。

３．分析数据
分析的目的是找到对预测输出影响最大的数据字段和决定是否要定义导出字段。

４．准备数据
这个步骤可以分成四个部分：选择变量、选择记录、创建新变量、转换变量。

５．建立模型
建立模型是一个反复的过程，需要仔细考虑不同的模型以判断哪个模型对要解决的问题最有用。为了保证模型具有较好的精确度，需要一个定义完善的训练也就是验证协议。验证的方法有简单验证和交叉验证两种。

６．评价和解释
模型建立好之后，必须评价结果，解释其价值，不仅要评价模型的准确率，还要了解模型发生错误的类型和由此带来的相关费用，因为准确率是随应用数据而变化的。

７．实施
模型建立并通过验证之后，主要有两种使用方法：一是提供给分析人员作参考，另外就是应用于不同的数据集上。在信用卡经营过程中，数据挖掘通常应用在风险分析、信用授权和欺诈检测等。

三、数据挖掘是如何应用于信用卡风险控制的？

１．数据挖掘在信用卡风险控制中的具体应用
一般而言，组成风险的两个基本要素是敞口和控制，敞口可定义为导致金融损失的受制于一些效果或影响的条件；控制则是采用各种技巧、工具和技术减少敞口对金融损失的影响范围或严重性。因此，通过在信用卡发行过程中任意时点的结构性分析，对敞口进行量化、控制便可以提供符合企业收益和资产质量目标的风险水平，而数据挖掘使分析工作进行得最为彻底。
在风险控制范围内，以下几个领域最为重要，而且只能通过有效的数据挖掘来取得。
（１）有效地瞄准那些表现出良好消费行为和还款行为的消费者，同时制定新的担保贷款指导方针，使公司资产质量和利润达到一个可接受的水平。另外，建立管理办法有效管理现有客户账户，以使利润最大化，并控制公司敞口损失。
（２）最大化地引进先进技术和量化敞口的工具，以及那些监督管理控制的工具。
（３）开展有效的结构性分析，提供结论性的证据和操作性很强的结果。

２．数据挖掘技术在信用卡风险控制中的应用案例
美国Ｆｉｒｓｔａｒ银行市场调查和数据营销部发现：公共数据库中存储着关于每位消费者的大量信息，关键是要透彻分析消费者投入到新产品的原因，在数据库中找到一种模式，从而能够为每种新产品找到最合适的消费者。于是Ｆｉｒｓｔａｒ银行通过使用数据挖掘工具，根据客户的信用卡消费模式进行分组预测，来确定何时向消费者提供哪种产品，从而让Ｆｉｒｓｔａｒ银行在信用卡市场取得了竞争优势。
在美国运通公司（ＡｍｅｒｉｃａｎＥｘｐｒｅｓｓ），它有一个记录信用卡业务的数据库，数据量达到了５４亿字符，并仍在随着业务进展不断更新。运通公司通过对这些数据进行挖掘，制定了“关联结算优惠”的促销策略，这样既可以增加商户的销售量，也可以增加运通卡的使用率。此外，运通公司根据运通卡的使用情况，对客户进行信用分级，这样既防范循环信贷中的透支风险，又可以抓住优质客户。
美国Ｍｅｌｌｏｎ银行自１９９５年开始与ＩＢＭ合作，重点研究一种称为数据智能挖掘者（ＩｎｔｅｌｌｉｇｅｎｔＭｉｎｅｒｆｏｒＤａｔａ）的多平台数据挖掘工具，这对Ｍｅｌｌｏｎ银行乃至美国银行业带来了深刻的影响。Ｍｅｌｌｏｎ银行将这个数据挖掘工具运用于市场营销和客户关系管理、风险管理、业务过程再设计，其中的风险管理更注重于对信用卡市场风险的监控，比如通过数据智能挖掘者构建信用卡损耗模型来预测未来几个月有哪些客户会停止使用Ｍｅｌｌｏｎ银行的信用卡而转向竞争对手，从而采取有效措施来挽留这些客户。
正如Ｆｉｒｓｔａｒ银行、运通公司以及Ｍｅｌｌｏｎ银行一样，美国很多信用卡公司和发卡银行都在利用数据挖掘技术管理客户生命周期的各个阶段，包括争取新的客户、在老客户的身上赚取更多的利润以及维护客户关系等，以便做好信用卡经营管理过程中的风险控制。

四、结束语
在国外，信用卡产业的利润十分丰厚，在银行业务量中占据很大的比重。以花旗银行为例，其年交易额６０％来自于信用卡。由于国外银行广泛地将数据挖掘技术运用到信用卡客户关系管理以及风险控制中，使得信用卡业务在某种程度上比传统业务要更加安全而且具有更低的成本和更高的收益率。在国内，数据集中已经成为金融行业的风潮，然而数据集中之后，我们要做什么呢？当然是数据挖掘，要从数据中挖掘利润，而且要利用数据挖掘技术来控制风险。正如Ｍｅｌｌｏｎ银行副总裁ＰｅｔｅｒＪｏｈｎｓｏｎ说的那样，“如果您的业务策略依赖于现有的数据进行决策，并且您想要自己建立一个支持这一决策的模型，那么数据挖掘就是您所需要的工具”。在这方面，典型的案例就是２００１年中国银行广州分行所实施的信用卡客户关系管理解决方案，采用了Ｂｒｉｏ和ＩＢＭ的数据挖掘技术和工具，是专门针对信用卡业务的商业智能应用。通过对客户信息的全面管理以及深层挖掘，从而很好地做到了风险管理和控制。

最新热点		最新推荐		相关方案
				汉端科技奥运消防攻坚战系统汉端科技奥运进度监控系统航天器研制总装过程管理案例透过李宁集团看BI解决案例橡果国际BI应用案例零售领域BI产品应用解决方案应急预案BI产品应用解决方案研发领域BI产品应用解决方案通用行业BI产品应用解决方案航天领域BI产品应用解决方案