數(shù)據(jù)挖掘技術(shù)在信用卡營(yíng)銷中的應(yīng)用研究

1、數(shù)據(jù)挖掘技術(shù)在信用卡營(yíng)銷中的應(yīng)用研究王心妍 沈菊菊 李猛摘要：信用卡市場(chǎng)競(jìng)爭(zhēng)越發(fā)激烈。在搶占信用卡市場(chǎng)的過程中，獨(dú)特、先進(jìn)并且不斷創(chuàng)新的信用卡營(yíng)銷手段是在競(jìng)爭(zhēng)中取勝的關(guān)鍵。目前，應(yīng)用于信用卡營(yíng)銷中的技術(shù)手段包括數(shù)據(jù)庫(kù)營(yíng)銷，以及利用最新引入營(yíng)銷領(lǐng)域的數(shù)據(jù)挖掘技術(shù)進(jìn)行信用卡營(yíng)銷。本文通過建立基于數(shù)據(jù)挖掘技術(shù)的信用卡營(yíng)銷響應(yīng)度模型，對(duì)數(shù)據(jù)挖掘技術(shù)在我國(guó)商業(yè)銀行信用卡發(fā)卡環(huán)節(jié)應(yīng)用的具體方案進(jìn)行了研究，從而有利于信用卡營(yíng)銷宣傳活動(dòng)的決策，提高信用卡宣傳活動(dòng)的針對(duì)性。 關(guān)鍵詞：信用卡營(yíng)銷；數(shù)據(jù)挖掘；響應(yīng)度模型1信用卡營(yíng)銷理論與技術(shù)信用卡營(yíng)銷是指通過激發(fā)和挖掘人們對(duì)信用卡商品的需求，設(shè)計(jì)和開發(fā)出滿足持卡人需

2、求的信用卡商品，并且通過各種有效的溝通手段，使持卡人接受并使用這種商品，從中獲得自身最大的滿足，以實(shí)現(xiàn)經(jīng)營(yíng)者的目標(biāo)。近年來(lái)，由于信用卡市場(chǎng)競(jìng)爭(zhēng)越來(lái)越激烈，任何一種信用卡要想搶占更多的市場(chǎng)份額，都必須不斷地創(chuàng)新其營(yíng)銷手段。利用計(jì)算機(jī)技術(shù)進(jìn)行信用卡營(yíng)銷是信用卡營(yíng)銷手段創(chuàng)新的一個(gè)方向，例如，利用數(shù)據(jù)庫(kù)營(yíng)銷為每一個(gè)目標(biāo)客戶提供了做出及時(shí)反饋的機(jī)會(huì)，可以幫助信用卡營(yíng)銷者確定誰(shuí)是他們的顧客，記錄顧客的喜好和行為的具體細(xì)節(jié)，并以能產(chǎn)生長(zhǎng)期忠誠(chéng)度的方式為顧客服務(wù)。有了數(shù)據(jù)庫(kù)營(yíng)銷理念，在信用卡業(yè)務(wù)中，還可以通過對(duì)大量的數(shù)據(jù)進(jìn)行分析，從而對(duì)某一階層顧客的輪廓進(jìn)行描述，這樣可以輕松找到符合這種輪廓的新顧客，并用定制

3、化的營(yíng)銷方案贏得這些顧客，也就是基于數(shù)據(jù)挖掘營(yíng)銷技術(shù)。2基于數(shù)據(jù)挖掘的信用卡營(yíng)銷數(shù)據(jù)挖掘技術(shù)被廣泛應(yīng)用到市場(chǎng)營(yíng)銷中是以市場(chǎng)細(xì)分原理為基礎(chǔ)，假定“消費(fèi)者過去的行為是其今后消費(fèi)傾向的最好說(shuō)明”。基于數(shù)據(jù)挖掘的信用卡營(yíng)銷實(shí)質(zhì)是利用數(shù)據(jù)挖掘方法實(shí)現(xiàn)信用卡營(yíng)銷預(yù)測(cè)的過程。在數(shù)據(jù)挖掘方法中，回歸模型、決策樹模型是目前最常應(yīng)用于營(yíng)銷預(yù)測(cè)方向的數(shù)據(jù)挖掘方法。本文將重點(diǎn)用回歸和決策樹模型建立數(shù)據(jù)挖掘流程從而進(jìn)行信用卡營(yíng)銷預(yù)測(cè)。3基于數(shù)據(jù)挖掘的信用卡營(yíng)銷響應(yīng)度建模本文所定義的信用卡營(yíng)銷響應(yīng)度是指商業(yè)銀行在進(jìn)行信用卡營(yíng)銷，特別是宣傳、促銷活動(dòng)的時(shí)候，接受營(yíng)銷活動(dòng)的客戶做出的回應(yīng)，即客戶提出信用卡申請(qǐng)的可能性。本文所

4、要建立的信用卡營(yíng)銷響應(yīng)度模型，是通過對(duì)商業(yè)銀行目前積累的大量的客戶數(shù)據(jù)進(jìn)行一系列的處理，利用不同預(yù)測(cè)類數(shù)據(jù)挖掘方法對(duì)所有商業(yè)銀行已有客戶的信用卡營(yíng)銷響應(yīng)度進(jìn)行預(yù)測(cè)，通過評(píng)估不同模型的預(yù)測(cè)效果，選擇最適合的數(shù)據(jù)挖掘方法建立完整的數(shù)據(jù)挖掘流程，從而給出每個(gè)客戶對(duì)信用卡宣傳活動(dòng)的響應(yīng)度，并同時(shí)可以得到對(duì)應(yīng)于不同響應(yīng)度的客戶群的特征。通過建立這樣一個(gè)信用卡營(yíng)銷響應(yīng)度模型，商業(yè)銀行一方面可以利用模型的預(yù)測(cè)結(jié)果，對(duì)具有不同特征、不同響應(yīng)度的客戶群進(jìn)行有選擇和有針對(duì)性的宣傳活動(dòng)，從而減少信用卡宣傳活動(dòng)的盲目性；另一方面還可以利用該模型對(duì)任意一個(gè)或多個(gè)新客戶進(jìn)行信用卡營(yíng)銷響應(yīng)度預(yù)測(cè)，給出該客戶的響應(yīng)度。以下本

5、文將利用SAS8.0中的數(shù)據(jù)挖掘工具EM（enterprise miner）建立信用卡營(yíng)銷響應(yīng)度模型。4. 信用卡營(yíng)銷響應(yīng)度模型的數(shù)據(jù)挖掘流程完整的數(shù)據(jù)挖掘流程包括7個(gè)環(huán)節(jié)：定義商業(yè)目標(biāo)（選題）；建立行銷數(shù)據(jù)庫(kù)（構(gòu)建數(shù)據(jù)源）；探索數(shù)據(jù)（考察數(shù)據(jù)源的數(shù)據(jù)分布特征）；為建模準(zhǔn)備數(shù)據(jù)（包括數(shù)據(jù)抽樣、變量轉(zhuǎn)換、目標(biāo)變量設(shè)置、數(shù)據(jù)分塊以及缺失值轉(zhuǎn)換）；建立數(shù)據(jù)挖掘模型；評(píng)估數(shù)據(jù)挖掘模型；應(yīng)用數(shù)據(jù)挖掘模型。本文的目標(biāo)定義即為商業(yè)銀行開發(fā)一個(gè)響應(yīng)模型，通過這個(gè)模型能夠?qū)γ總€(gè)客戶的信用卡宣傳響應(yīng)程度進(jìn)行預(yù)測(cè)。以下本文將建立行銷數(shù)據(jù)庫(kù)、探索數(shù)據(jù)和為建模準(zhǔn)備數(shù)據(jù)合并為數(shù)據(jù)準(zhǔn)備階段，建立數(shù)據(jù)挖掘流程。4.1 信用卡

6、營(yíng)銷響應(yīng)度模型建模數(shù)據(jù)準(zhǔn)備本文所使用的數(shù)據(jù)源為某銀行截止到2006年5月1日的所有現(xiàn)有客戶信息數(shù)據(jù)，其中被公開引用的數(shù)據(jù)已經(jīng)將姓名和身份證號(hào)進(jìn)行了消除敏感信息的相關(guān)轉(zhuǎn)換。所引用的主要數(shù)據(jù)庫(kù)屬性如表1所示。其中，信用等級(jí)由銀行在客戶開戶的時(shí)候根據(jù)其內(nèi)部信用評(píng)分系統(tǒng)給出；年齡隨系統(tǒng)時(shí)間更新；收入水平為年收入。對(duì)于有多個(gè)賬戶的客戶，經(jīng)過處理后將該客戶的同類賬戶余額的匯總金額作為賬戶余額。表1 信用卡響應(yīng)度模型的數(shù)據(jù)挖掘數(shù)據(jù)源表屬性變量名變量說(shuō)明變量類型取值說(shuō)明Cif _num客戶編碼文本Name姓名文本Sex性別文本男，女Certype證件類型文本身份證、護(hù)照、軍官證Cert_number證件號(hào)碼文

7、本Birthdate_yyyy出生年數(shù)字四位數(shù)值Touch_addr聯(lián)系地址文本Handset聯(lián)系方式文本Credit_level信用等級(jí)文本優(yōu)、良、中、差odate_yyyy檔案建立年數(shù)字四位數(shù)值Psbk_bal存款余額數(shù)字連續(xù)性數(shù)值Loanbin貸款余額數(shù)字連續(xù)性數(shù)值Bin不良貸款數(shù)字0、1“1”代表有不良貸款A(yù)ge年齡數(shù)字系統(tǒng)年與出生年之差I(lǐng)ncome年收入數(shù)字連續(xù)數(shù)值在上述數(shù)據(jù)基礎(chǔ)上進(jìn)行的數(shù)據(jù)挖掘建模數(shù)據(jù)準(zhǔn)備是指為實(shí)施各種數(shù)據(jù)挖掘方法而對(duì)數(shù)據(jù)源進(jìn)行的包括數(shù)據(jù)探索、抽樣、分塊、變量轉(zhuǎn)換以及缺失值替換等一系列的數(shù)據(jù)準(zhǔn)備工作。（1） 數(shù)據(jù)探索根據(jù)業(yè)務(wù)人員的經(jīng)驗(yàn)，在本文所使用的數(shù)據(jù)源中，客戶的

8、存款余額、年齡和收入是對(duì)其信用卡持卡需求的主要影響因素，為了使抽樣環(huán)節(jié)得到的樣本數(shù)據(jù)更具代表性，必須先通過數(shù)據(jù)探索環(huán)節(jié)了解數(shù)據(jù)源中存款余額、年齡和收入各自的分布情況以及其互相之間的關(guān)系。利用SAS對(duì)數(shù)據(jù)源中的年齡屬性進(jìn)行的單變量分位數(shù)統(tǒng)計(jì)分析結(jié)果可知，數(shù)據(jù)源中90%分位數(shù)的客戶年齡是51，10%分位數(shù)的客戶年齡為20，說(shuō)明80%的客戶年齡在20到50之間。最大年齡80，最小年齡16，基本符合正常人群的特征。 類似的操作可知，數(shù)據(jù)源中有85%的客戶年收入在大約10000至50000之間，符合我國(guó)的基本收入情況?？蛻糁兄挥?5%的客戶存款額在1000元以上，大約5%的高額存款客戶存款額可高達(dá)10萬(wàn)

9、元以上；有收入的客戶中，年齡較低的客戶存款頻率較高、額度偏低，收入較高的客戶存款額度較高、頻率偏低。在對(duì)數(shù)據(jù)的基本特征有了一定的了解后，我們可以針對(duì)這些特征進(jìn)行數(shù)據(jù)抽樣。（2） 數(shù)據(jù)抽樣考慮到客戶對(duì)信用卡營(yíng)銷的響應(yīng)度與存款之間可能有著比較密切的關(guān)系。所以，為了使樣本數(shù)據(jù)更具有代表性，我們?cè)趯?duì)原始數(shù)據(jù)抽樣的時(shí)候，針對(duì)存款在1000元以上的客戶記錄進(jìn)行大量的抽取，從而使樣本中包含超出原始數(shù)據(jù)源比例的存款在1000元以上的客戶。這種方法也叫過渡抽樣。（3） 變量篩選對(duì)于數(shù)據(jù)源中必須包含的，而對(duì)數(shù)據(jù)挖掘結(jié)果沒有任何影響的變量，在數(shù)據(jù)挖掘流程中可能會(huì)影響到數(shù)據(jù)挖掘建模的分析過程，所以，對(duì)數(shù)據(jù)源中的這種變

10、量需要進(jìn)行篩選。電話號(hào)碼屬，將在此環(huán)節(jié)被篩掉。（4） 變量轉(zhuǎn)換（建立目標(biāo)變量） 營(yíng)銷類數(shù)據(jù)挖掘建模的數(shù)據(jù)樣本要包含真實(shí)營(yíng)銷活動(dòng)的客戶響應(yīng)變量，即客戶對(duì)營(yíng)銷活動(dòng)的回應(yīng)。根據(jù)本文的目標(biāo)定義，本文將數(shù)據(jù)來(lái)源行的儲(chǔ)蓄數(shù)據(jù)庫(kù)與信用卡客戶數(shù)據(jù)庫(kù)連接，為數(shù)據(jù)挖掘數(shù)據(jù)源增加一個(gè)新字段credit作為目標(biāo)變量，將已經(jīng)持有信用卡的客戶的該字段值設(shè)置為“1”，沒有持卡的客戶的該字段值設(shè)置為“0”，表示持卡客戶在曾經(jīng)的信用卡營(yíng)銷活動(dòng)中響應(yīng)度為100%，而未持卡的客戶的響應(yīng)度為0。（5） 目標(biāo)變量屬性設(shè)置由于我們對(duì)目標(biāo)變量的預(yù)測(cè)值將涉及到我們的商業(yè)決策，而任何商業(yè)決策都要承擔(dān)一定的成本，所以建立數(shù)據(jù)挖掘預(yù)測(cè)模型，明確預(yù)

11、測(cè)模型的隱含成本是非常重要的。在本例中，我們假設(shè)為爭(zhēng)取一個(gè)信用卡客戶我們的平均固定營(yíng)銷成本為10元錢；而一旦某客戶成為目標(biāo)客戶，那么他將給銀行帶來(lái)平均1000元的利潤(rùn)。這樣的話，我們的預(yù)測(cè)將涉及到如下的利潤(rùn)關(guān)系： 正確的預(yù)測(cè)（樣本數(shù)據(jù)的credit值為1而預(yù)測(cè)的credit值也是1）：發(fā)出信用卡宣傳冊(cè)，客戶申請(qǐng)，審批成功，平均利潤(rùn)為￥990(1000-10)； 錯(cuò)誤的預(yù)測(cè)（樣本數(shù)據(jù)的credit值為0而預(yù)測(cè)的credit值是1）：發(fā)出信用卡宣傳冊(cè)，客戶未申請(qǐng)，固定成本￥10。（6） 數(shù)據(jù)分塊一般情況下我們把樣本數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)兩部分。利用訓(xùn)練數(shù)據(jù)來(lái)建模，利用驗(yàn)證數(shù)據(jù)來(lái)擬合模型。樣本數(shù)

12、據(jù)中訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的比例對(duì)模型評(píng)估結(jié)果有一定的影響。本文經(jīng)過反復(fù)試驗(yàn)，比較利用不同數(shù)據(jù)分塊比例建模得到的模型評(píng)估效果，最后確定數(shù)據(jù)分塊比例為訓(xùn)練數(shù)據(jù)占樣本數(shù)據(jù)的70%，驗(yàn)證數(shù)據(jù)占樣本數(shù)據(jù)的30%，均采取隨機(jī)抽取數(shù)據(jù)。 （7） 缺失值替換本文分別利用決策樹和邏輯回歸建立信用卡營(yíng)銷響應(yīng)度模型的數(shù)據(jù)挖掘流程。其中，邏輯回歸建模需要在進(jìn)行缺失值處理之后得到的數(shù)據(jù)之上進(jìn)行建模。而決策樹模型由于算法本身就可以進(jìn)行缺失值的處理，所以可在數(shù)據(jù)分塊之后得到的數(shù)據(jù)之上進(jìn)行建模。4.2 信用卡營(yíng)銷響應(yīng)度數(shù)據(jù)挖掘建模經(jīng)過以上數(shù)據(jù)準(zhǔn)備環(huán)節(jié)后輸出的數(shù)據(jù)集就可以用來(lái)建立數(shù)據(jù)挖掘模型。4.2.1信用卡營(yíng)銷響應(yīng)度邏輯回歸模

13、型邏輯回歸和線性回歸的主要區(qū)別在于依賴變量（目標(biāo)變量）是連續(xù)的還是離散的。邏輯回歸的依賴變量是不連續(xù)的，而是離散的或類型變量，例如本文要預(yù)測(cè)信用卡營(yíng)銷活動(dòng)中客戶的響應(yīng)只有響應(yīng)和非響應(yīng)兩個(gè)值，所以本文選用邏輯回歸進(jìn)行數(shù)據(jù)挖掘建模。邏輯回歸的原理可以簡(jiǎn)單地解釋為一組前提、假設(shè)和結(jié)論。 前提：依賴（目標(biāo)）變量非連續(xù)，通過對(duì)依賴變量進(jìn)行轉(zhuǎn)換，使之成連續(xù)的值，即關(guān)于事件發(fā)生的概率的函數(shù)。 假設(shè)：p為事件發(fā)生的概率；p/（1-p）是事件發(fā)生的可能性； ln（p/（1-p）是預(yù)測(cè)因子的線性函數(shù) 結(jié)論：通過發(fā)現(xiàn)預(yù)測(cè)因子x與ln(p/(1-p)之間的線性關(guān)系：Ln(p/(1-p)=ß0+ ß

14、1X1+ ßn Xn，導(dǎo)出預(yù)測(cè)系數(shù)或權(quán)重后，最終的概率用公式(1)來(lái)計(jì)算p：公式（1）結(jié)論中的回歸系數(shù)的值通常采用極大似然法來(lái)估計(jì)參數(shù)，具體的步驟簡(jiǎn)述為：第一步，構(gòu)造一個(gè)似然函數(shù)；第二步，取釋然函數(shù)對(duì)數(shù)值，對(duì)求關(guān)于的一階偏導(dǎo)數(shù) ；第三步，采用迭代法求解非線性方程組： 公式（2）由公式（2）解出的就是模型的參數(shù)估計(jì)。本文中，設(shè)相關(guān)客戶信息變量為，客戶對(duì)信用卡營(yíng)銷的響應(yīng)概率的預(yù)測(cè)為，則在利用SAS/EM回歸工具建模的相關(guān)設(shè)置如下：（1）將credit設(shè)為依賴變量；（2）根據(jù)邏輯回歸原理選擇LOGIT為鏈接方程 Logit鏈接方程： 。；（3）由于引入的預(yù)測(cè)中存在離散的字符型變量，所以在引

15、入回歸過程的時(shí)候要進(jìn)行數(shù)量化編碼，又因?yàn)椤靶庞玫燃?jí)”變量包括四個(gè)屬性值，所以這里建模的時(shí)候選擇通用線性模型法（GLM，General Linear Models）進(jìn)行數(shù)量化編碼 GLM編碼原理：變量X有r個(gè)級(jí)別值，會(huì)產(chǎn)生r個(gè)二值變量，對(duì)于一個(gè)級(jí)別值i，當(dāng)X=i的時(shí)候，相應(yīng)的二值變量取值為1。；（4）為了逐一驗(yàn)證客戶信息中影響目標(biāo)變量的因素，選擇回歸方式為逐步回歸法（Stepwise Stepwise，即每次引入模型一個(gè)最顯著的變量，然后考慮從模型中剔除一個(gè)最不顯著的變量，直到既沒有變量引入也沒有變量剔除為止），通過逐個(gè)引入數(shù)據(jù)源中的相關(guān)變量，利用上述回歸原理，預(yù)測(cè)該變量與依賴變量之間的關(guān)系，最

16、后不僅可以得到反映各個(gè)變量與依賴變量之間的關(guān)系，同時(shí)還可以得到在各個(gè)變量的作用下，每一個(gè)客戶對(duì)信用卡營(yíng)銷響應(yīng)的預(yù)測(cè)概率。將變量引入或剔除的顯著性水平設(shè)置為0.05，運(yùn)行上述邏輯回歸設(shè)置得到如表2：表2 邏輯回歸結(jié)果ParameterDFEstimateStandardErrorWaldChi-squarePr>Chi-squareStandardizedEstimateExp(Est)Intercept1-156.00.19476421.3.9<.0001.0.000Psbk_bal12.25E-61.31E-7295.28<.00011.4599631.000Income1

17、0.0001234.43E-6767.24<.00011.0842051.000C_credut_level 1152.10.0735428<.0001.999.000Age1-0.08000.00569197.71<.0001-0.6068960.923通過該結(jié)果可以看出除了變量loanbin（貸款余額）之外，psbk_bal（存款余額）、income（收入水平）、c_credit_level（信用等級(jí)）、age（年齡）四個(gè)變量作為回歸方程中的主要變量對(duì)目標(biāo)變量credit（營(yíng)銷響應(yīng)）都具有很強(qiáng)的預(yù)測(cè)能力，其卡方概率都低于0.0001。說(shuō)明在數(shù)據(jù)源中，客戶的存款余額、收入水

18、平、信用等級(jí)、年齡四個(gè)變量是影響客戶在接受信用卡營(yíng)銷時(shí)所做出的響應(yīng)的主要因素。利用Estimate值可以得到預(yù)測(cè)credit的回歸方程。422 信用卡營(yíng)銷響應(yīng)度決策樹模型建立決策樹的目的是要將所有的數(shù)據(jù)對(duì)象劃分到不同的組，劃分的原則是極大化響應(yīng)變量在每一個(gè)組中的相似性。使用決策樹建模的最大好處就是結(jié)果易于解釋。本文使用決策樹建模的目的是將所有的客戶按照一定的分類算法生成決策樹，從而不僅可以得到不同營(yíng)銷響應(yīng)率的分組人群，同時(shí)還可以進(jìn)一步考察不同分組人群的分組特征，為進(jìn)一步制定營(yíng)銷計(jì)劃提供幫助。本文利用SAS/EM工具構(gòu)建的CART分類樹模型得到如下分類規(guī)則： IF 30007.5 <= 年

19、收入 < 30036.5THEN N ： 9 1 ： 13.1% 0 ： 86.9% IF 1352755.5 <= 存折余額AND 檔案建立年 < 1993.5AND 20.5 <= 年齡AND 30036.5 <= 年收入THEN N ： 11 1 ： 10.7% 0 ： 89.3% IF 性別 EQUALS 女 AND 11 <= 存折余額 < 1352755.5AND 檔案建立年 < 1993.5AND 20.5 <= 年齡AND 30036.5 <= 年收入THEN N ： 28 1 ： 79.2% 0 ： 20.8% IF

20、 性別 EQUALS 男 AND 11 <= 存折余額 < 1352755.5AND 檔案建立年 < 1993.5AND 20.5 <= 年齡AND 30036.5 <= 年收入THEN N ： 56 1 ： 54.6% 0 ： 45.4% IF 30036.5 <= 年收入 < 32383.5AND 1993.5 <= 檔案建立年AND 20.5 <= 年齡AND 11 <= 存折余額THEN N ： 152 1 ： 75.9% 0 ： 24.1% IF 32383.5 <= 年收入 < 36552.5AND 1993.

21、5 <= 檔案建立年AND 20.5 <= 年齡AND 11 <= 存折余額THEN N ： 195 1 ： 61.5% 0 ： 38.5% IF 20.5 <= 年齡 < 26.5AND 36552.5 <= 年收入AND 1993.5 <= 檔案建立年AND 11 <= 存折余額THEN N ： 232 1 ： 79.6% 0 ： 20.4% IF 26.5 <= 年齡AND 36552.5 <= 年收入AND 1993.5 <= 檔案建立年AND 11 <= 存折余額THEN N ： 429 1 ： 71.3% 0

22、： 28.7%由以上規(guī)則可以看出，決定客戶對(duì)信用卡營(yíng)銷響應(yīng)度的最主要因素取決于客戶的收入水平，在收入水平都達(dá)到一定程度（以本數(shù)據(jù)源為依據(jù)的標(biāo)準(zhǔn)為年收入30036.5元人民幣以上）的時(shí)候，決定該客戶是否愿意接受本銀行所發(fā)出的信用卡營(yíng)銷活動(dòng)，取決于其在本行的存款賬戶余額的多少。在存款余額高于一定水平的情況下，客戶的響應(yīng)度差別取決于其年齡。繼續(xù)分支的標(biāo)準(zhǔn)是“檔案建立年”，客戶響應(yīng)百分比最高為79.6%。利用該規(guī)則，信用卡營(yíng)銷決策人員就可以針對(duì)某個(gè)響應(yīng)度來(lái)確定營(yíng)銷對(duì)象群體的特征，根據(jù)這個(gè)特征進(jìn)行具體的營(yíng)銷策劃。4.2.3 信用卡營(yíng)銷響應(yīng)度數(shù)據(jù)挖掘模型評(píng)估數(shù)據(jù)挖掘的一個(gè)方面是需要以滿足分析目的的方式表達(dá)

23、最終結(jié)果。對(duì)于商業(yè)數(shù)據(jù)需要評(píng)估這些模型，不僅僅是對(duì)這些模型進(jìn)行分析，而且要對(duì)由這些模型產(chǎn)生的結(jié)果進(jìn)行比較。本文利用Lift圖評(píng)估上述兩個(gè)模型得知：兩個(gè)模型的性能接近，但模型決策樹模型比邏輯回歸模型效果更好。對(duì)于決策樹模型和回歸模型，在lift圖的第一個(gè)10分位點(diǎn)的lift值分別為8.75和6.48，這意味著使用決策樹模型的成功率是隨機(jī)選擇（不用模型）的8.75倍，而使用回歸建模的成功率是隨機(jī)選擇的6.48倍。所以，決策樹模型的應(yīng)用效果更好。2數(shù)據(jù)挖掘模型結(jié)果的實(shí)踐檢驗(yàn)客戶是否有貸款似乎與客戶是否愿意成為銀行的信用卡客戶有密切的關(guān)系，原因是有貸款意味著該客戶很有可能成為有意愿接受先消費(fèi)后還款的消費(fèi)模式的客戶。所以，這樣的客戶才很有可能接受信用卡營(yíng)銷。而本文中的兩個(gè)挖掘模型都沒有把“貸款余額”選入模型，特別是在回歸的過程中，非常明顯的將“貸款余額”變量排除。這個(gè)問題是無(wú)法通過工具提供的評(píng)估和檢驗(yàn)方法解決的。經(jīng)過重新分析數(shù)據(jù)源發(fā)現(xiàn)，由于項(xiàng)目采用的數(shù)據(jù)源中，凡有存款賬戶的客戶均沒有貸款賬戶。通過咨詢資深的業(yè)務(wù)人員得知，該數(shù)據(jù)的來(lái)源單位，由于個(gè)人客戶的存款賬戶嚴(yán)格與貸款賬戶分離，其貸款業(yè)務(wù)不要求在本行開設(shè)存款賬戶，同時(shí)存款客戶一般不在本行開設(shè)關(guān)聯(lián)的貸款賬戶。所以，模型結(jié)果中存在客戶存款變量的時(shí)候，將“貸款余額”變量排除是必然的。5 .信用卡營(yíng)銷響應(yīng)度模型的應(yīng)用