摘要
随着移动支付方式成为主流，信用卡风险也与日俱增。现今学者用于研究信用卡风险的模型有很多，在一定程度上可以达到降低信用卡信用风险的目的，但在确定各个影响因素的权重时，学者们仅单独考虑了主观赋权法或客观赋权法，并未将两者相结合。而RFM模型作为衡量客户价值的重要工具和手段之一，还未被学者用于研究信用卡风险中。本文创新地将组合赋权法和RFM模型相结合，建立了新模型，一定程度上降低了单独使用主观赋权法和客观赋权法在评价信用卡用户价值时所带来的不利影响，同时也达到了评价信用卡用户价值的目的。 在构建基于组合赋权法的RFMN模型阶段，由于主观赋权法侧重决策者的意图（即是决策者对不同指标的重视程度），主观性较强，而客观赋权法虽侧重客观，但可能会出现权重和实际相反的情况，本文放弃了单独使用主观赋权法或客观赋权法，选择将集合了主、客观赋权法优势的组合赋权法引入到传统的RFM模型中，并结合本文的研究对象，对原始模型的维度进行重新定义和增加新维度的操作，建立了基于组合赋权法的RFMN模型，将传统的RFM模型改造成适用于测算信用卡用户价值的模型，给出了信用卡用户综合价值得分计算公式。 在模型应用阶段，为了验证本文建立的基于组合赋权法的RFMN模型能够得到数据的最优聚类，本文对于组合赋权法、层次分析法、熵值法的RFMN模型分别进行了K-Means聚类分析，得到了对应的聚类结果，借鉴了单因素方差分析思想，采用组间均方评价不同类别信用卡用户综合价值得分的组间差异，得到了基于组合赋权法的RFMN模型的聚类结果对信用卡用户价值的划分效果更好这一结论。将基于组合赋权法的RFMN模型的聚类结果作为本文样本数据最优聚类结果的呈现，得到用户分类。对分类用户做PCA主成分分析，进行用户特征选择，参考因子得分系数，得到每类用户的特征。综合考虑K-Means聚类结果、PCA主成分分析结果、数据统计分析结论和数据预处理结论，将本文的样本用户分为六类，分别是重要价值用户、重要保持用户、重要发展用户、一般保持用户、低价值用户和风险用户，给出用户画像并提出营销建议。
NETL