【巧建银行卡决策支持系统】巧设6位银行卡密码

　　目前国内银行卡发卡速度快，但银行卡实际使用率仍然很低，“睡眠卡”问题较为严重。银行卡功能单一，不能完全满足持卡人的需求。 　　持卡人持卡消费习惯有待培养，持卡人的交易主要是内部转帐，约占50.1％，其次是存取现金，约占36.4％，直接持卡消费所占的比重仅占13.5％，能给银行带来最大效益、最具发展前途的正是持卡消费，大量的持卡人把银行卡当作存折使用。
　　决定银行卡利润率的关键在于客户，客户选择决定了银行的命运，对客户尤其是高价值客户的争夺和维系成为竞争的焦点，也是银行卡营销所面临的最本质问题。所以应将客户导向贯彻到银行卡营销的各个层面。
　　在当前的竞争环境中，银行的竞争优势主要体现在对每一个客户提供个性化的服务，只有建立以客户为中心的管理信息系统，通过大量信息的分析，找出客户消费的行为和规律，筛选优秀的客户群体，进而预测客户的个性化需求，及时响应每一位客户现在和未来的需要，设计出更加符合客户需要的产品和服务，来提高客户的满意度，才能真正进行以客户为中心的营销和服务，从而增强银行在激烈竞争中的实力。
　　目前，一般银行卡业务系统缺乏真正面向市场、面向客户的决策支持系统，对客户的判别只停留在静止的、片面的、主观的水平，不能对客户做出动态的、全面的、客观的评价和准确、高效的选择。为了更好地细分市场、细分客户，提高业务管理水平和银行卡获利能力，推行立足于数据仓库、联机分析处理、数据挖掘的银行卡决策支持系统，是银行提高综合竞争力的必然选择。
　　
　　如何设计系统框架
　　
　　来自各个数据源的银行卡业务数据，首先经过数据仓库建模工具生成逻辑模型和物理模型，经过ETL工具将数据抽取、转换、加载到数据仓库，通过OLAP建模工具生成OLAP模型，进而生成多维数据集，然后通过前端工具数据挖掘和报表工具进行分析和挖掘，并展现结果。如图1所示。
　　
　　怎样设计银行卡数据仓库
　　
　　建立数据仓库目的是将用户直接与他们需要的数据相连，以便于进行灵活、有效的、详细的，战略性的商业决策。建立银行卡数据仓库的目的是能够将分布在各种业务系统中的银行卡相关数据进行汇总、整理，然后以星型模型和雪花模型将多个数据表连接，并以多维数据立方体的形式进行组织管理，在此基础上为银行各部门领导提供各种分析、查询、报表的功能。同时，在数据仓库的基础上，开发各种数据挖掘模型，为领导决策提供依据。
　　为满足决策分析的需要，系统需要将各种数据源来的数据围绕决策主题存储到数据仓库中，以提高数据查询、聚集的效率。数据仓库建模采用自上而下的三级建模方式，即概念建模、逻辑建模、物理建模。概念建模可采用信息打包法，逻辑建模以星型建模方法和雪花建模方法为主，物理建模以3NF和星型建模方式为主。如图2所示。
　　
　　
　　数据挖掘分析的妙用
　　
　　以美国为例，信用卡业务利润约78％来自信贷利息收入，10％来自交换费，2％来自年费，4％来自现金提取费，6％为逾期费和其他费用收入。国内银行卡的收入来源主要有三个方面：第一是年费；第二是用卡消费的手续费；第三是持卡人因透支支付给银行的利息。
　　所谓“客户贡献度”(CCD：Client Contribution Degree)就是指银行卡客户为银行贡献利润的幅度。为了对“客户贡献度”的指标进行定量考核，根据银行从业人员的经验，建立了基本考核指标：存贷息差、卡消费手续费和年费。
　　根据客户存款额、透支额的分布和变化情况，分析每个客户的贡献度，进行排名，划分优质客户、忠实客户，并对之进行差别化服务和营销。
　　使用决策树方法，对客户进行分类。通过卡交易次数Kyjcs、活期理财余额SumBal和性别，将客户进行分类，得到如图3所示分类结果。卡交易次数Kyjcs以42.25和102.25作为分界点，活期理财余额Sumbal以3228.427734375和6572.1875作为分界点。
　　根据决策树的分类结果，针对不同的客户使用论文中介绍并改进的关联分类算法，挖掘出每一类客户的特征，为决策提供依据。
　　对于“客户活跃度”的分析而言，“客户活跃度”随时间的变化曲线存在多种趋势，可以采用时序演变分析的方法，提示出这些趋势的意义。
　　由于以“交易日”为时间单位进行“客户活跃度”的计算分析，数据量过大，计算任务繁重，影响系统的效率，同时结果也不直观，因此可选择较长的时间周期(如星期、月份)对数据进行归约。在2003年1月至2004年1月一年的银行卡交易中按照月对数据进行归约，然后采用聚类的方法，确定“客户活跃”和“客户休眠”所分别对应的“客户活跃”阈值。在此基础上，就可以进行“客户活跃度”的时序演变分析。
　　在时序演变分析中，将“客户活跃度”归为以下四种类型：即“活跃型”、“休眠型”、“低落型”、“上升型”，如图4所示。
　　对“客户活跃度”属于不同类型的客户，可以结合其交易的具体品种，分析其变化的原因，并采取适当的措施帮助其克服困难，提高“活跃度”。
　　对“活跃度”的时序演变分析不局限于以上四种结果，可作进一步的细化，这样，对制定客户管理策略就具有更强的指导意义。
　　对睡眠卡进行特别开发，如根据它的年收入、居住地、工作单位，和活跃卡比较，预测其消费需求，采取特殊营销策略，激发其消费行为。根据客户交易金额与交易频率的变化，及时发现可能流失的客户，提醒客户经理维护。
　　信用等级分析
　　
　　对于信用卡业务，客户利润的主要来源是客户信用交易带来的利息收入，因此客户价值也就是客户的信用价值。客户信用评分是在客户以往信用行为的基础上，对客户下一个周期可能带来的最大信用价值的累计预测，也就是通过客户服务能够挖掘的最大客户信用价值。
　　
　　信用等级的划分可以通过信用评分的方法来实现。信用评分的结果是将每个客户的未来信用价值以一定的分值表示，也就是将客户按照预期信用价值的不同进行最基础的细分。
　　对信用卡客户的价值细分可以信用评分为基础，通过聚类分析将信用卡客户分为高信用分客户、中信用分客户和低信用分客户。
　　信用卡客户的交易行为主要是使用信用卡透支消费，因此对信用卡客户的行为细分主要是客户信用行为细分。客户信用行为主要涉及客户信用贷款使用情况和信用贷款归还情况。
　　因此，相应的信用行为细分也可分为两类：一是根据客户循环信贷额度的使用情况，将客户分 为大量使用、中度使用和少量使用三类；二是根据是否有不良记录将客户分为有不良记录和无不良记录两类。
　　根据信用评分与循环信贷额度使用情况可以将客户分为9类，如表1。
　　1、2、3类客户大量使用循环信贷，应在分析其特征的基础上，根据信用分值的不同提供不同的服务，实现高价值客户的保留和低价值客户的升级。
　　4、5、6类客户使用循环信贷少于上面三类客户，但使用也较频繁，因此要根据其信用水平的不同给予相应的优惠，鼓励使用消费信贷。
　　7、8、9类客户使用循环信贷少，应在分析其原因的基础上，积极采取措施保留可能流失的高信用分和中信用分客户，对于低信用分客户在经过一段观察后，如果没有变化可以采取放弃策略。
　　将信用评分与不良情况结合把信用卡客户分为6类，如表2。
　　
　　1类客户是优质客户，没有不良记录，同时未来可挖掘的信用价值较高，是服务的重点对象。
　　3类客户也没有不良记录，但是未来的信用价值不是很高，对于这部分客户，服务工作应该侧重分析其信用需求和偏好，提供他们最需要的信用卡产品和信贷服务，努力实现这一部分客户的信用价值升级。
　　5类客户虽然没有不良记录但是他们未来可挖掘的信用价值较低，对于这部分客户可以适当考察其在其他银行的相关记录，分析其信用价值升级的可能性，并采取相应措施避免客户流失。
　　2类客户未来的可挖掘信用价值较高，但是由于他们有不良记录，则服务重点是分析不良原因，制定相应策略，避免因客户不良行为而带来损失。
　　
　　4类客户有过不良记录，并且未来的信用价值中等，对于这部分客户要在确保风险控制的前提下进行升级。
　　6类客户有不良记录同时未来的信用价值较低，对于这部分客户可以减少服务资源的投入，经过一定的考察期后如果仍然没有向其他等级发展，可以采取放弃策略。
　　采用聚类方法，使用银行卡客户与贷款客户的交叉客户并有贷款额度在十万以下的客户819条记录。
　　本文在数据仓库基础上进行数据挖掘，并给出分析和挖掘的结果，建立了客户贡献度评价模型，采用决策树分类方法，成功地对客户进行了分类；采用聚类方法，根据客户的贷款情况对客户的信用度进行了聚类分析，得到了很好的挖掘结果。