用户刷卡行为数据分析：
互联网征信中的信用评分模型案例之一，分析用户刷卡行为数据，构建变量并预测结果。
1. 背景介绍
（1）个人信用贷款：结婚/家具/读书/旅行；
（2）现有的网络信贷产品：芝麻信用/微粒贷/考拉信用分；
（3）网络借贷：
（4）信用评估：用户申请-信用评估（前后信用数据）-获得批准；
（5）网络征信的重要性：减少坏账率；
难以划分的客户——谁能够有能力划分；
（6）国际征信机构：
（7）首批准个人征信牌照持有公司：
（8）”信联“——征信信息全面覆盖：
（9）征信得分的得出：
（10）征信的本质：对于每个用户给出非违约概率的判断；（一般是0-1之间，为了方便判定用户，于是用几百几百的方式来判定，如芝麻信用的评分）；
（11）小贷用户互联网征信VS数据：用户自填数据（可能存在数据造假）/用户行为数据（数据可信度更高）/跨平台数据整合；
（12）信用评分模型——提高预测精准度；
2. 数据结构：
（1）行业背景—刷卡数据；
（2）建模难点：成千上万条行为记录；行为随时间变化，且发生的时间点不规律；行为分为不同类型，公缴，游戏点卡，还款，话费，日常消费等；
如何构建这样的模型：
a. 用户信息：如身份证信息（姓名/性别/出生日期/住址）；银行卡信息：普卡/金卡/白金卡（哪家银行的哪类型卡）；
b. 商户分类信息：刷卡在哪里刷的（公缴类/消费类/游戏类/话费类）（住宿：香格里拉，速八等）
c. 交易事实：刷卡名称，交易时间，交易金额等；
（3）传统建模方式：成千上万的变量；
（4）营销领域的RFM模型：客户终身价值的模型；
2/8定律：80%的利润来于20%的客户；
（5）RMFS模型：s：standard deviation
3. 变量构建（怎么算）：很重要
所有行为最大值：越小越好；
借贷比率：使用信用卡刷卡该值会大一些，使用储蓄卡该值会小一些；
（7）
- 模型结果：
（1）变量描述：
（2）BIC选模型结果——》BIC选模型系数图：
推荐使用逻辑回归的值——能清晰的看到哪些变量比较重要，且能够知道变量重要的什么程度；