数据挖掘技术在信用卡营销中地应用.docVIP

PAGE PAGE 11 数据挖掘与商业智能论文 题目: 数据挖掘技术在信用卡营销中的应用 学号：200902030109 姓名： 黄 强 2011年4月12日 数据挖掘技术在信用卡营销中的应用 关键字：数据挖掘 信用卡营销 摘要：介绍了数据挖掘技术在信用卡营销中的应用，以及数据挖掘技术模型怎样建立，实现了企业的最终盈利。 1．信用卡营销理论与技术 信用卡营销是指通过激发和挖掘人们对信用卡商品的需求，设计和开发出满足持卡人需求的信用卡商品，并且通过各种有效的沟通手段，使持卡人接受并使用这种商品，从中获得自身最大的满足，以实现经营者的目标。近年来，由于信用卡市场竞争越来越激烈，任何一种信用卡要想抢占更多的市场份额，都必须不断地创新其营销手段。利用计算机技术进行信用卡营销是信用卡营销手段创新的一个方向，例如，利用数据库营销为每一个目标客户提供了做出及时反馈的机会，可以帮助信用卡营销者确定谁是他们的顾客，记录顾客的喜好和行为的具体细节，并以能产生长期忠诚度的方式为顾客服务。有了数据库营销理念，在信用卡业务中，还可以通过对大量的数据进行分析，从而对某一阶层顾客的轮廓进行描述，这样可以轻松找到符合这种轮廓的新顾客，并用定制化的营销方案赢得这些顾客，也就是基于数据挖掘营销技术。 2．基于数据挖掘的信用卡营销 数据挖掘技术被广泛应用到市场营销中是以市场细分原理为基础，假定“消费者过去的行为是其今后消费倾向的最好说明”。基于数据挖掘的信用卡营销实质是利用数据挖掘方法实现信用卡营销预测的过程。在数据挖掘方法中，回归模型、决策树模型是目前最常应用于营销预测方向的数据挖掘方法。本文将重点用回归和决策树模型建立数据挖掘流程从而进行信用卡营销预测。 3．基于数据挖掘的信用卡营销响应度建模 本文所定义的信用卡营销响应度是指商业银行在进行信用卡营销，特别是宣传、促销活动的时候，接受营销活动的客户做出的回应，即客户提出信用卡申请的可能性。 本文所要建立的信用卡营销响应度模型，是通过对商业银行目前积累的大量的客户数据进行一系列的处理，利用不同预测类数据挖掘方法对所有商业银行已有客户的信用卡营销响应度进行预测，通过评估不同模型的预测效果，选择最适合的数据挖掘方法建立完整的数据挖掘流程，从而给出每个客户对信用卡宣传活动的响应度，并同时可以得到对应于不同响应度的客户群的特征。通过建立这样一个信用卡营销响应度模型，商业银行一方面可以利用模型的预测结果，对具有不同特征、不同响应度的客户群进行有选择和有针对性的宣传活动，从而减少信用卡宣传活动的盲目性；另一方面还可以利用该模型对任意一个或多个新客户进行信用卡营销响应度预测，给出该客户的响应度。 将利用SAS8.0中的数据挖掘工具EM（enterprise miner）建立信用卡营销响应度模型。 4. 信用卡营销响应度模型的数据挖掘流程 完整的数据挖掘流程包括7个环节：定义商业目标（选题）；建立行销数据库（构建数据源）；探索数据（考察数据源的数据分布特征）；为建模准备数据（包括数据抽样、变量转换、目标变量设置、数据分块以及缺失值转换）；建立数据挖掘模型；评估数据挖掘模型；应用数据挖掘模型。 目标定义即为商业银行开发一个响应模型，通过这个模型能够对每个客户的信用卡宣传响应程度进行预测。以下本文将建立行销数据库、探索数据和为建模准备数据合并为数据准备阶段，建立数据挖掘流程。 4.1 信用卡营销响应度模型建模数据准备 本文所使用的数据源为某银行截止到2006年5月1日的所有现有客户信息数据，其中被公开引用的数据已经将姓名和身份证号进行了消除敏感信息的相关转换。所引用的主要数据库属性如表1所示。其中，信用等级由银行在客户开户的时候根据其内部信用评分系统给出；年龄随系统时间更新；收入水平为年 表1 信用卡响应度模型的数据挖掘数据源表属性 变量名 变量说明 变量类型 取值说明 Cif _num 客户编码 文本 —— Name 姓名 文本 —— Sex 性别 文本 男，女 Certype 证件类型 文本 身份证、护照、军官证 Cert_number 证件号码 文本 —— Birthdate_yyyy 出生年 数字 四位数值 Touch_addr 联系地址 文本 —— Handset 联系方式 文本 —— Credit_level 信用等级 文本 优、良、中、差 odate_yyyy 档案建立年 数字 四位数值 Psbk_bal 存款余额 数字 连续性数值 Loanbin 贷款余额 数字 连续性数值 Bin 不良贷款 数字 0、1 “1”代表有不良贷款 Age 年龄 数字 系统年与出生年之差 Income 年收入 数字 连续数值 在上述数据基础上进行的数据挖掘建模数据准备是指为实施各种数据挖掘方法而对数据源进行的包