利用評(píng)分卡技術(shù)實(shí)現(xiàn)信用卡市場(chǎng)活動(dòng)精細(xì)化管理

摘 要:中國(guó)信用卡產(chǎn)業(yè)已經(jīng)陸續(xù)進(jìn)入“精耕細(xì)作”的時(shí)代，在信用卡風(fēng)險(xiǎn)管理領(lǐng)域已經(jīng)成熟的應(yīng)用了信用評(píng)分技術(shù)，在市場(chǎng)活動(dòng)管理領(lǐng)域同樣可以利用強(qiáng)大的評(píng)分卡技術(shù)進(jìn)行精細(xì)化管理。把評(píng)分卡技術(shù)應(yīng)用到市場(chǎng)營(yíng)銷活動(dòng)的各個(gè)領(lǐng)域，通過(guò)各類市場(chǎng)評(píng)分模型的應(yīng)用來(lái)獲取目標(biāo)客戶。本文詳細(xì)介紹了利用評(píng)分卡進(jìn)行市場(chǎng)營(yíng)銷活動(dòng)管理的優(yōu)勢(shì)，總結(jié)了評(píng)分卡開(kāi)發(fā)的完整方法論。

關(guān)鍵詞:信用卡評(píng)分卡市場(chǎng)營(yíng)銷活動(dòng)方法論

中圖分類號(hào):F830.49文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1674-098X(2011)08(a)-0214-02

1評(píng)分卡技術(shù)介紹

評(píng)分卡技術(shù)是指運(yùn)用先進(jìn)的數(shù)據(jù)挖掘和統(tǒng)計(jì)分析方法，通過(guò)對(duì)歷史數(shù)據(jù)的特征分析，預(yù)測(cè)客戶的未來(lái)表現(xiàn)的模型。常見(jiàn)的可以應(yīng)用的算法技術(shù)有:判別分析法、線性回歸、logistic回歸、分類樹(shù)、神經(jīng)網(wǎng)絡(luò)等。國(guó)外學(xué)者對(duì)上述模型的精確度進(jìn)行研究，認(rèn)為各種不同的技術(shù)精確度差異并不顯著[1]。

評(píng)分卡技術(shù)用科學(xué)的預(yù)測(cè)代替猜測(cè)行為。充分挖掘數(shù)據(jù)價(jià)值，為決策提供了更相關(guān)、更準(zhǔn)確的信息，從而使得決策更科學(xué)、更加公正可信。評(píng)分卡技術(shù)可以幫助決策人員提前預(yù)測(cè)客戶行為，使得決策更有前瞻性，有效提高活動(dòng)的效率。

2評(píng)分卡的應(yīng)用領(lǐng)域

目前評(píng)分模型在信用卡領(lǐng)域的應(yīng)用主要集中于風(fēng)險(xiǎn)管理領(lǐng)域。評(píng)分卡技術(shù)在信用風(fēng)險(xiǎn)領(lǐng)域的研究最早始于1940年代末至1950年代初。經(jīng)歷了數(shù)十年的摸索與實(shí)踐，在國(guó)內(nèi)外都有較為成功的實(shí)踐。如:信用卡申請(qǐng)?jiān)u分模型，交易欺詐預(yù)測(cè)模型，催收評(píng)分模型等。

本文將評(píng)分卡技術(shù)引入于信用卡營(yíng)銷活動(dòng)管理領(lǐng)域。通過(guò)對(duì)持卡人的人口統(tǒng)計(jì)學(xué)特征、信用歷史記錄、行為記錄和交易記錄等大量數(shù)據(jù)進(jìn)行系統(tǒng)分析，挖掘持卡人的行為模式、消費(fèi)習(xí)慣、信用特征等信息。細(xì)分客戶群體，針對(duì)目標(biāo)客戶群的典型特征，有針對(duì)性的開(kāi)展?fàn)I銷活動(dòng)，有效節(jié)約成本，提高營(yíng)銷活動(dòng)的回報(bào)率。在具體應(yīng)用場(chǎng)景中，某個(gè)客戶其在未來(lái)三個(gè)月流失的概率、未來(lái)一年內(nèi)給我們帶來(lái)收益的潛力大小，對(duì)市場(chǎng)活動(dòng)的敏感性大小，或者接受附屬卡推銷的可能性等等，這些都可以開(kāi)發(fā)各類相對(duì)應(yīng)的評(píng)分卡來(lái)指導(dǎo)市場(chǎng)營(yíng)銷活動(dòng)。如果開(kāi)發(fā)流程科學(xué)、應(yīng)用方法正確，評(píng)分模型能提供大量具有高度預(yù)測(cè)力的信息，幫助決策人員制定行之有效的活動(dòng)管理策略，以較高的精度有效的開(kāi)拓市場(chǎng)，挖掘收益，實(shí)現(xiàn)信用卡業(yè)務(wù)的高收益。

3評(píng)分卡的開(kāi)發(fā)過(guò)程

評(píng)分卡的開(kāi)發(fā)過(guò)程必須結(jié)合特定的營(yíng)銷活動(dòng)場(chǎng)景進(jìn)行，主要的開(kāi)發(fā)過(guò)程包括:變量選擇和確定、樣本選擇、評(píng)分卡的建立與調(diào)整、評(píng)分卡的評(píng)估和應(yīng)用等。下面以客戶流失預(yù)測(cè)評(píng)分卡為例，介紹整個(gè)評(píng)分卡的開(kāi)發(fā)過(guò)程。

3.1 變量選擇和確定

變量的選擇和確定是評(píng)分卡開(kāi)發(fā)成功的關(guān)鍵因素。輸入變量用于在建模過(guò)程中作為自變量尋找與目標(biāo)結(jié)果之間的關(guān)系，因此需要尋找與目標(biāo)變量關(guān)聯(lián)性強(qiáng)的變量。為了不遺漏變量，不損失變量，建議把所有相關(guān)變量都準(zhǔn)備在變量庫(kù)中，并且按一定的規(guī)則進(jìn)行變量衍生，對(duì)所有變量進(jìn)行全篩選，從中刷選出對(duì)目標(biāo)變量相關(guān)性最強(qiáng)的變量。

變量分類兩類:靜態(tài)變量和動(dòng)態(tài)變量。靜態(tài)變量指的是通常不會(huì)經(jīng)常改變的信息，如性別，年齡，收入，婚姻狀況，受教育學(xué)歷，職業(yè)，行業(yè)類別等入口統(tǒng)計(jì)學(xué)變量。動(dòng)態(tài)變量指的是經(jīng)常或定期改變的數(shù)據(jù)，如每月消費(fèi)金額，取現(xiàn)金額，分期金額，逾期金額，發(fā)生的費(fèi)用金額，循環(huán)信用金額等等。為充分挖掘數(shù)據(jù)背后的信息，還需要對(duì)動(dòng)態(tài)變量按照一定的規(guī)則進(jìn)行衍生，如最近N個(gè)月的平均值，最近N個(gè)月有發(fā)生的月份數(shù)，最近N個(gè)月最大發(fā)生金額，最近N個(gè)月平均值除以最大值等等。

3.2 樣本選擇

一般來(lái)說(shuō)評(píng)分卡開(kāi)發(fā)是在小樣本數(shù)據(jù)上進(jìn)行，而不是全樣本數(shù)據(jù)上進(jìn)行，因此需要在全樣本數(shù)據(jù)上進(jìn)行隨機(jī)采樣。在開(kāi)發(fā)客戶流失預(yù)測(cè)評(píng)分卡中，客戶流失率相對(duì)比較低，三個(gè)月流失率在3%左右，先驗(yàn)概率過(guò)低，就不容易找出流失客戶的特征，模型的效果也會(huì)隨之降低，那就需要進(jìn)行過(guò)采樣，通過(guò)過(guò)采樣使流失的比率提高到20%左右。經(jīng)過(guò)了過(guò)采樣之后，還需要把樣本數(shù)據(jù)隨機(jī)分成兩個(gè)部分，一部分為建模數(shù)據(jù)、一部分為驗(yàn)證數(shù)據(jù)，一般分別占80%與20%左右。建模數(shù)據(jù)用來(lái)建模使用，驗(yàn)證數(shù)據(jù)用來(lái)對(duì)模型進(jìn)行驗(yàn)證與修正。

3.3 評(píng)分卡的建立與調(diào)整

在變量選擇階段總結(jié)了大量的靜態(tài)變量與動(dòng)態(tài)變量及衍生變量，但最后進(jìn)入到評(píng)分卡中往往只需要15到20個(gè)左右的變量，因此建模過(guò)程中需要進(jìn)行變量的篩選，首先需要對(duì)所有的變量進(jìn)行信息值(Information Value)計(jì)算，取信息值較高的變量，以此來(lái)進(jìn)行變量的粗選，經(jīng)過(guò)變量粗選的變量有可能存在共線性，因此需要做一些共線性的檢查，剔除具有共線性的變量。經(jīng)過(guò)這兩層的變量篩選后一般會(huì)剩余50個(gè)左右，這時(shí)需要以逐步回歸來(lái)精選變量，通過(guò)此次篩選進(jìn)入模型的變量一般控制在15個(gè)左右。

3.4 評(píng)分卡的評(píng)估與應(yīng)用

評(píng)分卡的評(píng)估應(yīng)該利用未參與建模開(kāi)發(fā)的數(shù)據(jù)進(jìn)行，這樣才能得到準(zhǔn)確的結(jié)果。如果使用建模的數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)，由于模型就是按照這些數(shù)據(jù)建立的，檢驗(yàn)結(jié)果自然會(huì)很好。但是一旦運(yùn)用到實(shí)際數(shù)據(jù)中，就會(huì)產(chǎn)生很大的偏差，所以必須使用保留的驗(yàn)證數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)。在模型檢驗(yàn)中一般以提升表就可以來(lái)評(píng)估評(píng)分卡的效果。以流失預(yù)測(cè)評(píng)分卡為例來(lái)解釋提升表各個(gè)指標(biāo)的含義(如表1）。

通常把驗(yàn)證數(shù)據(jù)根據(jù)評(píng)分從高到低分成二十組，通過(guò)提升表來(lái)觀察每組的表現(xiàn)及整體趨勢(shì)，提升表中邊際響應(yīng)率是指該單元格中預(yù)測(cè)流失的客戶數(shù)占所有流失客戶總數(shù)的占比，一個(gè)穩(wěn)定的模型邊際響應(yīng)率應(yīng)該是穩(wěn)步下降的，如果有跳躍，說(shuō)明模型的穩(wěn)定性有待加強(qiáng)。累計(jì)響應(yīng)率是指截止到改組累計(jì)預(yù)測(cè)流失的客戶數(shù)占所有流失客戶總數(shù)的占比，模型的效果越好，累計(jì)響應(yīng)率數(shù)值越靠前，說(shuō)明模型效果越好。同樣提升指數(shù)也可以直觀的衡量模型的效果，提升指數(shù)是指用了評(píng)分卡以后預(yù)測(cè)成功而產(chǎn)生提升的倍數(shù)。K-S衡量的是模型的區(qū)分度，指的是流失客戶與未流失客戶累計(jì)分布比例之間距離的最大值，K-S指標(biāo)越高，模型的區(qū)分度越強(qiáng)。

根據(jù)該提升表結(jié)果，可以針對(duì)不同組別的客戶制訂不同的營(yíng)銷策略，甚至可以結(jié)合對(duì)這一特定群體的特征分析，選擇最為有效的促銷策略。例如把對(duì)不同組別的客戶選擇不同的溝通渠道，給予不同的營(yíng)銷獎(jiǎng)勵(lì)。

4結(jié)語(yǔ)

評(píng)分卡技術(shù)不僅可以在風(fēng)險(xiǎn)管理領(lǐng)域發(fā)揮巨大的作用，同樣在市場(chǎng)營(yíng)銷活動(dòng)管理領(lǐng)域也可以發(fā)揮巨大的作用，通過(guò)評(píng)分卡技術(shù)的應(yīng)用，可以迅速準(zhǔn)確的幫助市場(chǎng)活動(dòng)策劃者定位目標(biāo)客戶，找到最有價(jià)值的客戶，也可以挖掘出潛在的客戶，從而達(dá)到成本最小化，利潤(rùn)最大化，同樣為制定正確、科學(xué)的管理策略，同樣需要發(fā)展、應(yīng)用各類評(píng)分卡，從對(duì)與決策效益密切相關(guān)的各方面的未來(lái)表現(xiàn)都進(jìn)行科學(xué)、準(zhǔn)確地預(yù)測(cè)。以評(píng)分卡技術(shù)作為管理決策的主要依據(jù)，必將成為管理信用卡各個(gè)領(lǐng)域的核心技術(shù)手段。

參考文獻(xiàn)

[1]姜盛.基于Logistic的信用卡套現(xiàn)偵測(cè)評(píng)分模型.計(jì)算機(jī)應(yīng)用[J]，2009.11.

[2]Jiawei Han，Micheline Kamber著.數(shù)據(jù)挖掘概念與技術(shù)[M].范明，孟小峰等譯.北京:機(jī)械工業(yè)出版社，2001.

[3]吳洪濤.商業(yè)銀行信用卡業(yè)務(wù)[M].北京:中國(guó)金融出版社.2003.

[4]鄧麗梅，沈蕾.淺論信用卡市場(chǎng)的營(yíng)銷策略.上海金融[J].2001，255(10).

[5]陳建.信用評(píng)分模型技術(shù)與應(yīng)用[M].北京:中國(guó)財(cái)政經(jīng)濟(jì)出版社.2005.

[6]陳建.現(xiàn)代信用卡管理[M].北京:中國(guó)財(cái)政經(jīng)濟(jì)出版社.2005.