Data Mining在信用卡客户分群的应用.pptVIP

Data Mining在信用卡客户分群之应用 Ben-Ben Bank 会议进行中……… Data Mining的意义 Data Mining是指找寻隐藏在数据中的讯息，如趋势（Trend）、特征（Pattern）及相关性（Relationship）的过程，也就是从大量数据中发掘信息或知识。 Data Mining的功能 分类（classification） 推估（estimation) 预测（predication） 关联分组（affinity grouping） 同质分组（clustering） Data Mining的相关技术 记忆基础推理法 （Memory-Based easoning） 市场购物篮分析 （Market Basket Analysis） 决策树 （Decision Trees） 基因演算法（Genetic Algorithm） 群集侦测技术 （Cluster Detection） 连结分析 （Link Analysis） 在线分析处理 （On-Line Analytic Processing ; OLAP） 类神经网络 （Neural Networks） 区别分析 （Discriminant Analysis） 罗吉斯回归分析 （Logistic Analysis） Data Mining和一般统计分析不同之处在于Data Mining可以处理多个维度的大量数据，避免了下面几点困难：巨量的纪录、高维的数据、搜集到的数据仅有一小部分用来分析。 Data Mining和统计分析比较 研究工具 Data Mining软件—STATISTICA 6.0基于经费的考量，已取得软件的使用授权。 研究架构及步骤 Data Mining流程图 研究结果 样本与母体结构比较 分群结果 判別结果 瑕疵戶预测结果 分群特性 群集结果 分群个数 判別结果 判別结果误判率 瑕疵戶预测模型结果 Y：是否为瑕疵戶 X：是否逾期超过30天 是否有呆帐记录 是否有借款余额800万 是否有退票记录 是否有拒往记录 是否有他行強制停卡记录 对不同顾客如何处理 黃金单身汉 银行杀手 败金高手 策略 黃金单身汉 (高利润 + 经济能力较好) 刺激顾客增加刷卡次数。 结合百货公司、大型量贩店、或饭店等等，促使其消费便利增加消费次数。 对於不常外出购物者寄予消费指南及较高档的商品型录，來刺激消费、增加刷卡次数。 策略 银行杀手(风险变数高) 降低信用额度。 加強控管银行杀手的消费行为 对旧有之顾客，建议采用降低信用卡额度，并 随时电话追踪，确认消费无误，同时长期观察， 确认其安全性。 策略 败金高手(高利润 + 经济能力偏低) 留住目前的客戶，提高顾客忠诚度。 预留一段时间作为审查，合格者施予同黄金单身汉一样行销手法。 不合格者，加強其风险的把守，同時降低其信用卡额度。 贡献 针对银行目前的顾客，依其族群的不同，实施不同的解決方法，达到降低银行风险并增加利润的目的。 对于银行的新顾客，提供不同的策略，以得到银行的最大利益。 建立一个判定模型，提供银行在发卡之前的一个审核方针。 报告完毕 Thank you!!! 个人月收入20,000元（100％） 20,001~40,000元占（73.59％） 平均月开销20,001~40,000元（15.46％） 家庭月收入60,000元以下（100％） 刷卡金额60,001~80,000元（28.02％） 农林渔牧（16.55％） 事务职（12.21％） 銷销售业（11.18％） 一年內有申请的意愿 （30.3％） 信用卡张数2~3张 （55.86％） 很少使用信用卡 （18.92％） 15~24岁（34.23％） 30~34岁（15.08％） 未婚（49.76％） 上，中上（76.78％） 个人月收入20,000元以下， 其中沒有收入占（56.87％） 平均月开销20,000元以下（84.69％） 家庭月收入60,000元以下（100％） 刷卡金额40,001~60,000元（41.73％） 逾期30天（10.81％） 呆帐记录（9.86％） 借款余额800万（12.40％） 退票记录（10.82％） 拒往记录（11.10％） 強制停卡记录（11.77％） 男女（差异最大） 血型A型（30.52％) 经常使用信用卡 （34.33％） 偶尔使用信用卡 （45.98％） 大学生（8.18％） 专科学生（8.25％） 高中职学生（18.99％） 个人月收入20,000元以下（100％） 其中沒有收入占（63.05％） 平均月开销10