信用评分模型在(化妆品)客户挖掘中应用研究_.docVIP

信用评分模型在客户挖掘中的应用研究 摘要：文章基于国内某家化妆品公司的客户数据库的数据，采用不同的信用评分模型进行建模，这些模型包括线性判别分析方法、Logistic回归方法、k阶近邻分类方法（KNN）、Kernel估计法和支持向量机（SVMs）等，并对它们的应用进行了比较分析,挖掘影响客户购买行为的关键行为属性，按照既定的评价标准，对客户给予量化评价，发现购买倾向高的新客户群，以便进行高针对性的市场营销和推广。 关键词：信用评分 判别分析 Logistic回归 k阶近邻分类 支持向量机 信用评分的简要介绍 信用评分的目的在于尽量将能够预测借款人未来行为的指标加以整合，并统一成可以比较的单一指标，以显示借款人在未来一特定时间内违约的可能性。所有的信用评分模型，无论采用什么理论或方法，其最终目的都是将贷款申请者的信用级别分类。为达到分类目的，依据某种理论，在历史数据基础上构造信用评分系统，然后输入申请者的相关指标数据，其信用水平将被评分系统估算出来并归属为相应的信用级别，为信贷决策提供依据。 信用评分实质上是将一个总体按照不同的特征分成若干个不同组的一种方法。这种将总体划分成不同的组的思想在统计学中最早是由Fisher（1936）提出的。David Durand(1941)第一个意识到可以用同样的方法区分“好”的客户和“坏”的客户，从而对贷款的信用风险进行评估。20世纪50年代初Bill Fair 和 Earl Isaac在旧金山成立对信用风险进行评估咨询机构，其客户大多数是金融机构及直销公司。 20世纪60年代后期，随着信用卡的出现和发展，银行及其他信用卡发卡机构认识到了信用评分的作用及重要性。当这些金融机构利用评分系统时，他们还同时发现信用评分系统有着比人工主观判断更好的预测能力——利用评分系统后贷款的违约率降低了50％以上（Myers and Forgy,1963）。信用评分于1975年及1976年在美国得到了平等机会法案的认可。 20世纪80年代随着信用评分方法在信用卡领域应用的成功，银行开始将信用评分方法应用到其他金融产品（如个人贷款等），近几年信用评分已开始在住房贷款及中小企业贷款中使用。同样地，在20世纪90年代直销市场的快速增长也使得许多直 销公司利用评分方法改进广告销售中的反应率。实际上在商业领域，西尔斯公司在20 世纪50年代就开始用评分模型来决定将其商品目录寄给哪些客户从而提高回复率。 二．评分模型在商业领域的适用性 随着经济发展，直销市场在20世纪90年代得到快速的增长，信用评分模型的应用也扩大到这个领域：主要是以电话或直接邮寄为手段的数据库营销中的决策问题。很多化妆品公司、汽车生产商等都开始通过电话、邮寄等方式直销的方式来销售，利用信用评分技术提高广告的回复率。在众多的目标客户群中，厂商或公司往往不会给所有的目标客户电话或寄信，因为有的目标客户的消费能力可能达不到要求的消费标准，有的客户对该产品不感兴趣或消费此商品的概率过低而导致成本过高。在市场营销预算一定，资源有限的情况下，化妆品或汽车公司等必须有所侧重，有所取舍。如果有一个响应模型，能够从电话或邮寄名单中去除不太可能响应的人，从而降低成本，但不会降低邮寄的效率，事实上，这种做法带来的是更高的响应率。本文针对就如何利用信用评分技术改进广告的回复率作了实证研究，并由此得出哪种信用评分模型更适合选定的客户数据。 在许多决策环境下——信贷仅是其中一个例子——大体上有两种可能的选择：或者提供产品服务，或者不提供。当然，在实际中，由于可以从一系列产品服务中进行选择，可能会存在更多的决策选项，而评分可以帮助决定选择。通过评分，可以预测谁更可能做出答复，而谁不会；评分还可以预测谁更为忠诚，而谁会在其他机构出现更好的产品时立即改换门庭；评分还可以预测哪些顾客愿意转而购买更好的产品。显然，对以上三种情况需要运用不同的评分，即不同的模型。 通过建立模型，用评分来预测使用哪种销售渠道更好。例如，按照是否对顾客采用直接邮寄直销，或者对现有顾客通过对账单插页、电话甚至电子邮件等方式进行销售，把目标人群分成几个子群（多项Logit模型是解决该问题的一种有效模型）。显然，在制定大规模业务决策时，评分模型的重要性就体现出来了，例如当有几十万位预期顾客时，对他们寄信将会比打电话更加切实可行，尤其是考虑到需要对那些第一次没联系到的顾客进行再次联系时。 如果顾客名单或邮寄名单或会员名单上的预期顾客进行评分，那么将会受到一些明确的限制。例如，受限于所获得的信息。这一点是显而易见的。在真正接收到一份贷款申请之前，不可能把贷款目的或贷款期限作为评分的特征变量（尽管可能仅仅提供的是特定的产品，例如期限为15年的购房贷款）。此外，对于