【基于改进Boosting的决策树信用卡客户流失分析设想】 决策树判断流失

　　摘要：当前，信用卡的运营收益成为各商业银行的主要收入来源，但其营销竞争已经趋于白热化。因此，信用卡客户流失分析开始受到各商业银行的重视。而由于决策树具有分类精度高、分类器可解释性强的特点，适合用于客户流失分析。因此，该文提出了利用Boosting技术的决策树集成C5.0进行信用卡客户流失分析的方法。并针对信用卡流失数据分布不对称的特点，对Boosting技术进行了相应的改进尝试。
　　关键词：客户流失分析；决策树；Boosting技术
　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2012)18-4306-02
　　The Credit Customers Churn Analysis Based on Improved Boosting Decision Tree
　　LIAO Wang-yu
　　(Department of Information Technology, Sichuan Higher Institute of Cuisine, Chengdu 610100, China)
　　Abstract：Currently, the earnings of the credit card has become the main source of income for banks, but it’s marketing competition has become intense. Therefore, the credit card customers churn analysis begun to attract the attention of banks. Because of the high classifica tion accuracy and interpretability strong, the decision tree is suitable for the customers churn analysis. So this paper proposes use the boost ing decision tree technology for credit card customers churn analysis. And according to the data asymmetries in the distribution, try to im prove the boosting technology.
　　Key words: customers churn analysis; decision tree; boosting technology
　　由于政府和商业银行都在大力推进金融电子化，以及消费者消费和支付观念的转变，信用卡在日常生活中的使用越来越频繁。并且，根据调查，信用卡运营收益已经成为商业银行的主要收入来源之一。使得我国的信用卡发卡行、发卡量和交易量都在大幅上升。
　　伴随发卡量大幅上升而来的信用卡市场的日趋饱和，以及信用卡产品自身的功能和服务趋同，使得各商业银行在信用卡营销中面临着更加激烈的竞争和严峻的挑战。如何吸引新的客户、保持原有客户开始成为商业银行客户关系管理关注的问题。其中，保持原有客户，即提高客户忠诚度、降低客户流失率又是这一问题的重中之重。因为营销学原理中开发新客户的成本是保留老客户的成本的数倍的原理对于信用卡客户依然适用。而且，我国各商业银行的信用卡客户流失率较高。据全球专项市场研究公司TNS发布的《2007中国零售银行及信用卡服务竞争力报告》，我国金融业最为发达的京、沪、穗三地多数银行的客户流失率高达40%左右。
　　与此同时，在信用卡的运营过程中，各商业银行积累了大量的客户特征信息（如：客户姓名、性别、年龄、家庭成员数、婚姻状况、职业、职称、单位性质、受教育状况、授信水平、还款状况、收入水平等）、客户交易历史（包括：历史交易次数、交易金额总额、透支情况等）数据。使用传统的数据库查询分析的方式从这些海量数据中获得有助于客户关系管理的信息却十分困难。而数据挖掘可以对已有的庞大数据进行分析，发现未知的关系、模式和以数据拥有者可以理解并对其有价值的新颖的方式来总结数据。
　　数据挖掘的出发点是智能、自动地从大量数据中发现隐藏的知识，它使数据库技术进入了一个更高级的阶段。作为一门新兴的交叉学科。它综合了数据库技术、机器学习、统计学、模式识别、信息检索、神经网络、基于知识的系统、人工智能、高性能计算和数据可视化，并且被广泛应用。从行业角度，包括了市场营销、医药业、电信业、金融业、互联网、语言识别和知识管理系统等方面；从客户生命周期角度，包括了潜在客户识别、个性化服务、客户流失预测分析等。[1]
　　但是，数据挖掘应用于商业银行的信用卡客户的流失分析尚不多见。国内大型商业银行发卡机构在信用卡营销过程中实际应用数学模型管理流失客户的意愿较低，提高客户忠诚度的管理行为仍然执行不到位，科学管理的应用效果还未最大化。[2]而且，目前国内对客户流失预测建模，大多没有考虑样本的不对称分布问题，也没有对建模属性的选择进行深入研究，在一定程度上影响了模型预测的准确率。而在银行客户关系管理系统（CRM）中信用卡客户流失分析部分迫切需要应用决策树、关联规则等数据挖掘技术手段对数据进行加工，从中获取一些反映规律性、倾向性的信息，从而为银行决策者、客户经理、客户服务人员进行客户保持工作提供支持和参考。因此，研究利用数据挖掘技术建立信用卡客户流失客户预测模型，及时对有流失倾向的客户采取适当的挽留措施成为亟待解决的问题。研究利用改进的Booting技术提高信用卡客户流失分析准确率十分有意义。
　　Boosting技术可以视为一种动态抽样策略，它通过从原始的训练集中抽取训练样本的方式来构造决策树。由于在各商业银行信用卡客户运营数据中，已流失的客户数量必然大大少于未流失的客户数量，即存在严重的数据分布不对称。