基于主成分分析和熵值法的电信客户信用评级体系研究

《基于主成分分析和熵值法的电信客户信用评级体系研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于主成分分析和熵值法的电信客户信用评级体系研究基于主成分分析和熵值法的电信客户信用评级体系研究基于主成分分析和熵值法的电信客户信用评级体系研究基于主成分分析和熵值法的电信客户信用评级体系研究覃国森(中国移动通信集团广东公司东莞分公司,广东东莞525000)摘要:本文结合主成分分析,逻辑函数和熵值法,构造出一个信用评分器.并在此基础上提出了一种新的电信客户信用评级体系.本文通过对抽样选取的全球通客户的通讯行为数据进行统计分析,遴选出六个重要维度及其代表性指标,然后利用主成分分析来缩减每个维度的指标,并用逻辑函数计算出每个维度的分数,最

2、后用熵值法计算出每个维度分数的权重并求和得出最终的信用总分,从而实现了对电信客户的评级.通过案例实践,发现这一模型对通讯客户具有较好的识别信用风险和预测信用风险的能力.关键词:主成分分析;熵;信用评级;逻辑函数;PACE模型一,应用背景和研究价值随着电信业的不断发展,信用管理和风险控制能力欠缺所带来的经营风险13益加大,但是目前电信行业还没有像银行业一样,做到对客户的信用价值进行分析管理并用于业务风险控制和管理,用户发生恶意欠费,钻漏洞恶意办理业务等情况屡屡发生,给运营商带来很大的损失.通信行业信用问题的根源来自于后付费的收费模式,该

3、收费模式要求企业拥有健全的客户信用控制体系,而目前电信运营商普遍缺乏.赊账和客户信用控制体系不健全使移动电话欠费成为可能,而移动电话用户流动性大的特点进一步加重了问题的严重性.运营商各地公司均在客户信用评级和信用度管理方面发力,如上海移动和上海联通的用户缴费信息都进入上海市个人信用联合征信体系,恶意欠费会被视为不良信用记录在案.但电信行业的信用管理总体情况依然不够理想,上下一体化的完整的体系建设到目前为止仍然没有建立起来.二,电信客户信用评级体系评估一个客户的信用目前缺少一种客观标准,对于信用的定义,各行业也是千差万别.为此,要构建一

4、个科学的信用评估方法,首先要保证概念的完整性.根据各行业对信用的认识,并结合电信行业的业务特点,可以给出一个定义:客户可能不履行承诺,合约而带来收入风险的程度.本文在东莞公司信用体系研究案例中,基于PACE(表现一态度一能力一环境)的信用评估模型,建立了一个符合以上综合评估定义的电信客户信用评级体系.如图l所示,体系从概念模型出发,寻找关系客户信用的代表性变量,进而对历史信用数据建立数据挖掘模型,量化收入风险的可能性,利用本文提出的评分器对这个定量的信用进行评分,从若干维度综合得出客户的信用评分,然后进一步定性分级,并从此得出客户红,

5、黑名单.最终这些定量分值和定性分级将应用于业务流程的各关键环节.借助业务应用,在风险防范和满意度提升方面进行反馈优化,不断提升信用模型,形成闭环应用流程W删卜匦=●◆遴选变量-=信用总分鹳螂一翩业务应用PAcE模型评分器图1电信客户信用评级体系三,PACE模型PACE模型根据业务经验,选出四个对客户信用影响比较显着的概念(图2)来综合评估客户信用,并认为所有因素皆可归入其中某个特定概念当中:1.P:Performance.”表现”概念指的是客户曾经表现过的,并留有记录的,被标志为”坏”信用的行为表现.当一个客户曾经有过不好的信用记录

6、,可以初步判断其未来存在同样坏行用行为的可能行较大.表现概念涵盖诸如欠费停机,曾入黑名单,可疑行为等因素.2.A:Attitude.”态度”概念反映了客户自我的心理态度,积极的态度将会有较低信用风险.本维度包括客户对运营商业务和服务的依赖性,以及客户的期望与需求被满足的差距而产生的不满心理,将分别用忠诚度和满意度来表示.3.C:Capacity.”能力”概念反映了客户消费能力和意愿,高能力的客户通常信用风险较低.本维度将通过客户自身的身份背景,例如年龄,职业,关键人物等因素,以及客户实际的历史消费和消费变动趋势来衡量其消费能力和意愿.

7、4.E:Environment.”环境”概念是指在客户个体之外的因素,而区别于前三个维度.外部环境对信用的影响是巨大的,可能导致总体或群体性的客户信用变化.本维度主要从宏观经济,电信策略,社会信用和重大事件出发,考虑这些因素对个体客户的影响e莩麟一?2”/?中国经贸-..图2PAcE模型四,评分器1.国内外研究状况以及各种算法的适用性和优劣性分析对比信用风险评估是分类决策应用中的一个经典问题.在进行分类时,需要对大量数据进行统计学习,发现分类模式,并最终决定分析对象的风险等级.经过大量学者最近几年的研究,目前已经存存很多优秀的算法和模

8、型可以借鉴,但是由于应用的问题领域不同,各种算法的优缺点对比也比较明显.按照是否具有训练集,这些算法可以分为被动学习算法和主动学习两大类.目前主流的被动学习算法有决策树,逻辑回归,支持向量机,神经网络,贝叶斯网络等虽然这