壹、概述
信用卡是壹項高技術含量的零售銀行業務。壹方面，信用卡（貸記卡）業務主要是通過個人短期循環借貸獲取利潤，具有很高的風險性，而且與其它信貸業務比較，信用卡業務還具有無抵押、透支筆數巨大、每筆金額小的特點，這就決定了銀行需要具備壹套非常完整、科學和快捷的風險控制手段，才能確保業務長期、穩定的發展；另壹方面，隨著信息技術的迅速發展和競爭的加劇，信用卡又成為壹種便利的支付手段，銀行必須對客戶提供優質的服務才能不斷吸引和發展客戶。傳統的以鋪攤子、上規模為目標的粗放經營策略和模式，存在著極大的弊端和風險，已不再適應市場經濟條件下的信用卡業務。因此，壹套涵蓋風險控制、客戶關系管理、市場營銷和業務運營分析等的全面、實時、準確的信用卡分析及決策系統，就成為銀行大規模地發展信用卡業務的重要保證。
如上所述，信用卡業務的分析與決策是壹個龐大的體系，包含了很多的應用領域和技術，但就其所適用的管理層面而言，可分為兩大類。
第壹類應用包括基本的經營信息查詢、靈活的報表制作Adhoc（包括報表和各類圖形），以及全面的業務分析，統稱為業務主題分析。這種分析是按照明確的業務管理思路對業務數據進行的總結。所應用的技術主要是多維分析技術（包括MOLAP、ROLAP和HOLAP）。
第二類為深層次的數據分析，即對銀行積累的大量歷史數據的探索和潛在的規律發現。其結果往往是配合壹定的商業目標，建立起相應的數學模型，使得發卡銀行可以據此制定符合市場需求的商業策略，包括：客戶信用評估標準、透支額度、年費、產品定位、渠道選擇等等。主要運用各類數據挖掘技術，包括經典的統計分析和人工智能建模技術。如：交叉頻率分析、各種線形回歸分析、非線形回歸分析、主成分分析、因子分析、典型相關、判別分析、聚類分析、決策樹模型、神經元網絡等；關聯分析(Affinity Analysis)、分類分析及其因素重要性分析等方法。
下面就按這種劃分方式，對智能化信用卡分析及決策系統進行說明。
二、業務主題分析
業務主題分析是指根據日常管理需求，從信用卡業務運作的各個方面或角度，對相關業務經營進行實時（目前為隔日，根據需求甚至可以達到當日）的統計、匯總和分析，從而使中層管理人員能夠全面、及時、準確地把握相關工作，並滿足壹線統計人員數量繁多的各類報表制作和分析需求。
業務主題分析主要是為滿足中層管理人員對業務狀況的全面、整體掌握需求而設計的，因此，各主題分析提供的是按照不同管理視角進行歸類的、不同層度的匯總數據以及抽象的關鍵經營指標KPI。不僅如此，系統還必須要讓使用者能夠最方便、最快捷地獲取和***享上述經營分析數據，並能夠隨意地從多個視角，包括不同的機構、產品類別、時間、貨幣等，對有關的經營數據進行相關的分析比較（即多維分析）；同時系統還提供靈活的軟件工具讓高素質的使用者能夠按照自己的管理思路對經營數據進行探索和研究。
系統主要提供的主題分析包括：
l 發卡量分析
l 交易分析
l 客戶行為分析
l 客戶狀況分析
l 風險分析
l 盈利能力分析
l 商戶分析
在進行業務主題分析時，系統提供了多種直觀、靈活的展現方式，包括：壹般性或定制的報表、以及各種可靈活變換的圖形（餅圖、柱型圖、折線圖、雷達圖、三維圖形）。在分析方法方面，除了傳統的定基比和環比分析之外，系統還提供了以下的分析方法：
l 結構分析
l 比率分析
l What-if分析
l 趨勢分析
l 主成分分析
其中，結構分析和比率分析是通過系統強大的後臺計算引擎對數據進行多種不同角度或層面的組合比較，從而讓使用者可以更全面和客觀的掌握經營狀況；而What-if分析、趨勢分析、主成分分析則是使用壹定的數學模型或算法，通過對歷史數據的分析或擬合，從而對經營狀況進行預測和發現。
三、決策預測模型
1、信用風險控制Credit Risk
長期以來，我國銀行都是以人工手段對新申請的客戶進行信用審查和評級，而且，這些人工審查所使用的打分標準基本上都依賴於人們的主觀判斷或以往的經驗。這樣的信審標準無論在準確性，還是在客觀性上都存在很大的偏差。而另壹方面，對於大量的持卡客戶，銀行卻缺乏有效的手段對其信用狀況進行主動的監控和預測，以致於對持卡客戶的信用額度、交易授權、逾期貸款等只能進行剛性的粗放式管理。隨著我國貸記卡市場的迅速興起，傳統的信用風險控制手段已越來越暴露出它的缺陷和問題，信用風險已成為我國貸記卡市場發展的最大阻礙之壹。
國外信用卡市場多年發展的經驗證明，信用記分卡技術Credit Scorecard是遏制信用卡信用風險的有力手段。信用計分卡實際上是壹種用於個人信用風險控制的數學模型。它是利用數據挖掘技術對發卡行積累的大量客戶歷史數據進行分析，尋找出有關客戶信用風險的特征值和規律，建立相應的數學模型，為新的信用申請者或已有的客戶評估風險。信用計分卡模型有三種類型：申請信用計分卡、行為信用計分卡和催收信用計分卡，分別為信用卡業務提供事前、事中和事後的信用風險控制。
l 申請計分卡（Application Scorecard）：申請計分卡模型專門用於對新申請客戶的信用評估，它通過申請人填寫的有關身份資料，即可以有效、快速地辨別和劃分好/壞客戶，幫助發卡行建立第壹道——事前的信用風險防火墻。
l 行為記分卡（Behavior Scorecard）：行為記分卡模型是通過對持卡客戶的行為進行監控和預測，從而達到評估持卡客戶信用風險的目的。行為計分卡模型可用於信用額度的自動監控和調整、授權以及到期換卡，以及對壞賬的預測。例如，如果某位客戶想增加信用卡的限額，那麽這位客戶的以前的消費及信用模式，就要通過使用行為記分卡模型進行分析以便獲得認可。類似地，這個記分卡模型可被擴展到銀行的其他個人信貸產品。
l 催收記分卡（Collection Scorecard）: 催收記分卡模型是申請記分卡和行為記分卡的補充，特別是在持卡客戶產生了逾期貸款或壞帳的情況下建立的。催收記分卡被用於預測和評估對某壹筆壞帳所采取的措施的有效性，諸如客戶對警告信件反應的可能性。這樣，發卡行就可以根據模型的預測，對不同狀況的逾期貸款采取不同的有效措施進行處理。
由上可看出，信用計分卡模型為銀行信用風險，尤其是個人信用風險的控制提供了壹個客觀、準確的評估和控制機制。以數據統計分析為基礎的數據挖掘技術，能夠根據銀行的商業政策，通過收集和分析客戶的大量行為、信用和背景記錄，歸納總結出“好客戶”和“壞客戶”的背景特征，包括：年齡、收入、性別、住房條件、婚姻狀況、職業、教育狀況等的不同屬性，並能準確計算出不同屬性值的客戶群所具有的消費能力、還款概率，從而建立起能有效分辨好壞客戶的數學模型，幫助信用卡機構樹立信用風險防範的第壹道防線。對於銀行既有的客戶，行為計分卡模型則能跟蹤和監控每個客戶的行為、消費和還款數據，並根據相應的模型，智能化地調整客戶的信貸額度，對可能出現的拖欠、破產也能提前進行預警。對已經出現的壞賬，由數據挖掘技術建立的模型則能根據客戶的背景、信用紀錄，對該筆壞賬的催收成本、回收的概率進行分析計算，幫助銀行采取正確有效的措施。由此可見，數據挖掘技術的使用，可以使銀行有效地建立起事前、事中到事後的信用風險控制體系。
在建立信用記分卡模型時，所利用的數據主要是過去壹段時間（1—2年）的信用卡運營情況的數據。其中的數據包括兩個部分。壹部分是持卡者的背景信息，如基於申請表上的答案：年齡、性別、婚姻狀況、教育背景、家庭成員特點、住房情況、職業、職稱、收入狀況等；另壹部分數據持卡者在過去使用信用卡時表現信息，如其使用頻率、金額、還款情況等，為了保證信用卡建立的公正性和無偏性，有時需要壹些被拒者的信息來修正信用記分模型。
建立信用計分卡模型所用的主要數學分析方法
l CHAID Analysis / Tree Analysis
l Discriminant Analysis
l Logistic Regression (Conditional or Unconditional)
l Neural Network
2、客戶細分Customer Segmetation
面對信用卡市場競爭的加劇和消費者的逐漸成熟，銀行必須不斷為消費者提供有效的個性化產品和服務，才能夠長期吸引客戶（尤其是高端客戶）、迅速擴大市場規模，並真正創造效益。
銀行在很早以前就已經開始對自己的客戶進行分類分析了，但這些分類主要集中以客戶的背景資料為基礎進行的，包括：按照收入、年齡、地區等的分類，只能靜態和粗略地反映出客戶的壹些背景狀況及其分布，無法讓發卡機構掌握到客戶的實際消費行為及其偏好。為此，在提倡個性化產品的“壹對壹”營銷市場，以數據挖掘技術為支撐的客戶細分就成為壹種重要的營銷分析手段