银行卡数据挖掘案例应用面对银行业竞争的加剧和外资银行的威胁，国内银行在业务发展上面临巨大的挑战。私人金融业务在银行业务中所占地位越来越重要，为银行带来丰厚的中间业务收入。银行卡业务作为私人金融业务的主要载体，深刻和长远的影响着银行整体的经营水平。探讨以客户为中心的、面向数据挖掘的银行卡业务信息系统的数据特征，第四章在模拟此系统的基础上，利用银行卡交易的真实数据建立四个数据挖掘模型，以探讨数据挖掘技术在银行卡业务中的应用。案例所用的数据来自一家股份制银行地市级分行的银行卡交易数据，时间跨度为2003年8月4日—2003年12月30日。记录总数为2646256条，经过筛选得到有效记录1982022条。在我们所说的银行卡中，包括借记卡、准贷记卡和贷记卡。在现阶段，银行卡主要指的是借记卡。在国内，由于信用体制的不健全和管理水平不高，银行为了规避风险，对贷记卡业务进行了一定的限制。比如在一些地方，信用卡的透支功能根本就没有放开，在使用上和借记卡没有区别。在所获得的数据中，由于贷记卡无论是在户数还是在交易额上都没有达到可供挖掘的数据规模，所以在本文中没有涉及贷记卡的挖掘内容。4.1客户细分模型很多公司多年来只是把产品和服务推销给自己的客户，根本不知道什么样的客户是好客户。对于任何行业的任何公司，了解客户都是有利润营销的第一步。对客户进行细分有两种基本方法，一是市场驱动方法。这种方法需要决定使用哪些对业务有重要影响的特征;二是数据驱动方法。数据驱动方法是利用聚集技术或要素分析技术寻找同质的群休。本文的银行卡客户细分所采用的是数据驱动方法4.1.1客户细分方法由于人口统计特征和心理特征的多样性，以及交易行为和利润水平的不同，客户交易数据库中存在着不同的群体。发掘出不同群体的这些特征，刁一可能据此进行产品开发、个性化服务和目标定位。RFM分析是目前用于客户细分最常用的方法之一。它利用客户的购买行为来划分客户。R(Recency)表示最近值，客户最后一次购买行为到现在的月份数，在预测下一次客户的相应行为时此值通常是三个变量中最有效的特征数据。F(Frequency)表示频度值，在一个特定时间段内客户购买次数的总和。M(Monetary)表示币值，在一特定时间段内客户用于购买一家企业产品或服务的货币总和。在CRM的实践中，这三个特征既可以单独使用，也可以组合使用。由于银行卡业务对于其它行业来说有其自身的特点，根据银行对于客户行为特征的关注点，将RFM分析的三个指标进行相应调整如下:最近值R(Recency)=>账户日均余额B(Balance)频度值F(Frequency)=>交易频度F(Frequency)币值M(Monetary)==}-交易金额M(Monetary)在银行所关心的这三个特征值中，账户日均余额是最重要的，因为它直接决定着银行可供利用资金的多少，进而影响银行的利润;交易频度标识着账户的活跃程度;交易金额则衡量着账户的资金流量，一定程度上反映着该账户拥有人的资金流动性。4.1.2建立挖掘数据集用于客户细分的数据来源于客户交易明细表。在交易明细表中，同一张卡按时间的先后存在着若干笔交易记录，根据这些记录，以卡号为客户的唯一标识，生成该卡在交易信息表中的唯一一条汇总记录，原理如图所示:4.2余额流失模型客户流失对于任何企业的利润都会带来重大影响。在客户关系管理中，很多的企业都把提高客户的忠诚度作为一个十分重要的方面。据测算，吸引一个新客户的成本是保留一个老客户成本的5倍以上，而且忠诚的客户对于价格的敏感性也会降低。对于银行来说，关注的不单纯是客户数量的流失，更重要的是客户账户余额的流失。因为在很多情况下，客户把账户内的余额全部转走而不注销1?Yk号，这样就等于客户“无声的流失”了。4.2.1余额流失的评价标准对于客户余额的流失，很难用一个定量的标准来衡量，不能用余额变化的绝对量或百分比中的任何一个来确定余额流失者，只有两个指标结合起来才有意义。例如:同样在本期日均余额都减少了10000元的两个账户，第一个账户的日均余额为100000元，减少了百分之十，第二个账户的日均余额只有10000元，减少了百分之百，显然两者的含义是不一样的;另一方面，对于同样在本期日均余额都减少了8...
