中金数据
1915年，信用卡起源于美国，但在诞生之初主要是百货公司为招揽顾客而发行的一种信誉筹码。以银行发行的信用卡形式存在可以追溯到上世纪50年代，1952年美国富兰克林民国银行发行了金融零售业的信用卡，从此信用卡进入金融领域。
信用卡在中国出现于上世纪70年代末，并快速发展。随着我国的经济实力的快速发展以及金融市场的开放，金融自由化与国际化进程获得政府的大力支持，信用卡市场不断成长，银行卡发卡量持续增加。根据人民银行发布的统计数据，截至2016年第二季度末，全国银行卡在用总发卡数量达到58.28亿张，其中借记卡在用发卡数量53.55亿张，贷记卡在用发卡数量4.73亿张。
信用卡作为银行的核心业务内容以及重要收入来源，各家银行之间也存在激烈的竞争。银行为了扩大业务、提高发卡量，除了提供各种优惠活动吸引客户办卡，甚至降低申请资格标准，以宽松的征信条件受理更多的信用卡办理业务。在这种竞争带来的业务量增加的背后，同时也面临着来自多方面的风险因素，由于征信标准的降低，逾期比率将随之提高，违约率增加，导致行方的违约账款的损失，以及催收成本增加。
因此对于行方在扩大业务范围的同时，对于信用卡带来的风险防控也是至关重要的。针对信用卡业务，发卡银行主要承担以下客户信用风险：
1.虚假信息申请：不法分子以及不法中介以虚假的信息申请信用卡，包括窃取他人的资料信息和虚假信息申请。
2.账户盗用：包括由于持卡人疏忽造成的信用卡遗失或被窃造成的冒刷，以及伪卡交易等窃取卡片信息造成的盗刷。
3.客户信用违约风险：由于客户没有能力偿还信用卡账单或故意拖欠，导致银行方被动承担违约损失以及催收成本，信用违约包括逾期还款、拖欠账单、恶意透支、套现行为等等。信用卡账单每个月提供一次，并且通常还有20天左右的宽限期，本质相当于发卡行对客户提供了一笔50天的无抵押个人短期信用贷款，可是在信贷市场上，信息不对称问题导致借款银行无法对贷款人还款能力有效做一个全面的评估。
针对虚假信息申请，银行方需要加强授卡前期的征信审查，加强身份核查、电话调查工作，加强工作人员对于虚假证件的辨识能力。针对账户盗用问题，根据客户平时交易行为进行分析，当出现非正常的刷卡行为时，及时终止交易进行风险防范，如异地交易、外币交易、异常金额交易，利用规则判定交易异常，行方时时进行异常交易的监控，在异常行为发生时及时止损。
本文主要讨论分析的是针对第三种风险，信用违约行为根据客户历史行为是有迹可循的，客户信用卡消费行为之间存在一定的相关程度，背景资料相近的客户可能具有相似的消费习惯和消费行为，如客户当期账单金额远高于其历史平均水平、客户历史有违约记录等等，均体现出客户有潜在的违约风险。利用历史违约信息，采取机器学习模型对客户信用违约风险进行预测分析，为潜在风险提供防范方案。
从早期传统的人工信用风险评估到之后的自动评估系统，针对客户信用违约的预测分析研究国内外的学者都在进行尝试。1997年Kokkinaki使用决策树和布尔逻辑函数针对客户的行为进行刻画，结合聚类分析判断正常交易和欺诈交易的行为区别。2005年，石庆焱进行了国内多种方法的比较研究，研究发现神经网络等非线性方法的精度往往要高于逻辑回归、线性规划等线性评分方法。2012年，朱醒亮基于bi-probit模型，同时考虑信用卡信用评分的授信过程以及申请信用卡成功之后的还贷过程，分析持卡人的违约率为持卡人的信用情况进行评分。
基于这些国内外关于客户信用违约行为的预测与分析研究可以看到，在这个业务场景中，有多种适用的模型分析方法，并且线性评分模型均有较强的区分普通客户和存在违约客户的能力，因此可以用于信贷决策，而且线性模型的稳健性要强于神经网络等非线性方法。
结合信用卡防线防控的具体业务场景，识别违约客户的一般可采取分析步骤如下：
1.首先要对历史数据进行预处理，包括将客户基本个人数据、交易数据、信用卡信息等多方面数据进行整合，并进行初步的数据转换调整
2.用户数据中存在缺失，对于空缺值进行预处理，根据实际数据情况，选取适当处理空缺值方法
3.违约行为占总用户少数，因此针对数据存在数据非均衡问题，根据数据实际情况，进行均衡处理
4.针对清洗后的数据进行统计分析，查看数据的基本情况
5.分析变量间的关联关系，进行关联性验证，选取合适算法进行模型构建
6.实现算法模型构建过程，并使用检验数据对模型效果进行检验
7.选取适合的模型评估方法，对模型表现进行评价，根据模型效果评估，对模型进行调整优化
8.用实际使用效果检验模型，根据返回结果对模型做进一步调优
客户的信用违约对于银行来说在带来违约损失的同时还有催收成本，因此在违约发生前进行及时的预测和防控可以为银行节约大量的成本，如何准确有效地识别客户潜在信用违约也是目前金融界普遍较为关心的问题。
在如今大数据时代背景下，随着数据库技术的迅速发展以及数据库管理系统的广泛应用，企业积累的数据也越来越多，而这些数据的背后隐藏着许多潜在的信息需要通过数据分析挖掘来让其产生价值。数据分析、数据挖掘技术在实践的检验下，在客户行为分析方面展现出了较好的分析预测效果，为客户行为管理提供了有效的指导作用。针对潜在信用违约客户的筛选中也有历史研究结果的背书，在接下来大数据技术继续蓬勃发展的环境中，也会逐渐发展成为成熟的体系，在准确性、有效性以及效率方面，为金融行业客户信用分析提供一个更为全面的分析平台。
网友评论