電信客戶信用評估實證研究

向博文 胡振華 申美惠

摘 要：目前，我國個人信用理論主要集中應用在金融行業，電信行業的信用管理和實踐應用仍處于探索階段。該文以中國電信某省C網個人客戶為研究分析對象，將主成分分析法和熵值法相結合建立客戶信用評估模型，從而更加科學合理地得到了用戶的信用分數。

關鍵詞：電信客戶 信用評估 主成分分析法 熵值法

中圖分類號：F626 文獻標識碼：A 文章編號：1674-098X（2015）12（a）-0023-03

Abstract：At present， the personal credit theory mainly used in the financial industry， the credit management and application practice of the telecommunications industry is still in the exploratory stage. This credit evaluation model use together Principal Component Analysis （PCA） with Entropy Method， based on individual customer data of China telecom C network.

Key Words：The telecom customer； Credit evaluation； PCA； Entropy method

電信行業作為信息服務業的支柱行業，優質客戶資源的爭奪已然成為了一場不見硝煙的戰爭。作為客戶管理的重點，客戶信用的評估與管理越來越得到各大運營商的重視。

國外對信用評估的研究已發展到相當高的水平，有些評估方法、技術、模型已經得到學術界的認可，被廣泛應用[1-3]。而國內對信用評估技術的研究還處在起步階段[4-7]，客戶信用管理及評估，還沒有形成完整的科學研究方法和理論。電信行業的客戶信用評價的研究尚處于起步階段，各運營商之間、運營商集團內部沒有形成統一的評價方法論。

該文致力于研究一種較為精準的電信客戶信用評估方法，將主成分分析法和熵值法結合使用建立信用評估模型，克服使用單一方法帶來的缺陷不足，從而更為科學全面地對客戶信用進行評分評級，并針對不同的信用等級提出差異化授信服務建議，實現運營中的服務最優化、利益最大化、風險最小化。

1 信用評估模型的指標體系

綜合考慮電信行業個人客戶信用的各種影響因素，同時借鑒國內外有關文獻的評估指標設計[8-10]，在國內外學者的信用評估指標體系研究成果的基礎上[11]，本文建立了專門針對電信行業設計了一個個人客戶信用評估指標體系。該評估指標體系包括社會屬性、違約成本、通信需求和支付能力四個維度的指標，并且選擇“30天內是否復機”作為驗證變量，如表1所示。

2 信用評估模型設計

評估指標體系中設計的變量指標，是根據文獻資料、業務常規和經驗確定的，主觀性較強、缺乏嚴謹的科學論證。因此，首先利用主成分分析法，找出每個維度內的顯著變量、剔除非顯著影響變量、排除變量間的相關性影響，從而計算出評價對象各個維度分數。確定主成分，一般取累計方差貢獻率超過85%的前p個作為主成分。累計方差貢獻率計算公式：

然后，利用熵值法計算維度的權重，其本質是通過各指標的信息價值系數來計算權重，價值系數越高，其對評價結果的貢獻就越大。第項指標的權重為：

3 信用評估模型的實證分析

該文建模工具采用SAS 9.3，針對某省中國電信某省4 000條用戶數據進行建模評估分析。

3.1 利用主成分分析法計算維度分數

該模型變量分3個維度，共16個輸入變量。其中每個維度所包含的具體變量情況各有不同，因此需要對每個維度進行具體分析，分別計算各維度得分。

3.1.1 計算通信需求的維度得分

根據特征值大于1及累計貢獻率大于85%的標準，選擇前3個主成分來代替原有的11個變量。通信需求得分= 0.722×F1+0.1045×F2+0.0658×F3。

3.1.2 計算支付能力的維度得分

根據特征值大于1及累計貢獻率大于85%的標準，選擇前2個主成分來代替原有的3個變量。支付能力得分= 0.777×F1+0.1869×F2。

3.1.3 計算社會屬性的維度得分

社會屬性維度內只包含Age年齡一個變量，且該變量為分類型變量，分為A-F共6類。

根據線性函數轉換公式如下：

Age變量用戶得分如表2所示。

3.1.4 計算違約成本的維度得分

違約成本維度內只包含R3A_Pay_Amt近三月平均繳費金額一個變量，且該變量為數值型變量。因此，該變量經過標準化后的數據即可作為此維度的得分。

3.1.5 各維度信息效用

通過以上對輸入變量4個維度的計算，得到所有用戶4個維度的信用得分情況，如表3所示。

3.2 利用熵值法計算維度權重

該文信用評估模型的熵值法計算維度權重步驟，采用SAS編程來實現。

對信息效用值進行公式2的計算，從而到得到各維度的權重，如表4所示。

3.3 計算用戶信用分數

根據公式3，計算用戶的信用綜合評分。同時為了便于對分數的觀察和理解，將用戶信用的分數歸一到[0，1]區間。結果如表5所示。

4 信用評估模型的效果評估

按照公式3信用評估模型，是典型的無監督模型。從以下兩點對模型的效果進行評估。

4.1 用戶信用分數分布評估

對4 000個建模用戶的信用綜合評分結果分布情況進行統計分析，結果如透視圖1所示，其中橫坐標表示用戶信用分數。

通過對柱狀圖結果進行觀察，得出用戶的信用評分呈現合理的長尾正態分布形態，即信用較好用戶的信用評分集中在高分值，信用較差用戶的信用評分分散在低分值的尾部。這表明信用差的用戶與信用好的用戶在信用評分上差異明顯。

用戶信用分數分布合理性的驗證，可以表明用戶信用分數可以很好地區分用戶的信用狀態。

4.2 通過驗證變量效果評估

該文信用評估模型使用“用戶30天內是否復機”作為模型效果驗證變量。通過探討用戶信用分數與驗證變量之間的關系，觀察復機率的提升度，實現對模型效果的評估。結果如圖2所示。

如上圖結果，按照用戶信用評分由高到低排序，比較不同信用評分用戶中30天復機率的大小。發現不同信用分數用戶的復機率的提升度均大于1，且信用評分最高的前70%用戶的30天復機率比正常情況下的平均復機率高20%。說明信用評分能較好并且正確地反映用戶信用的好壞。

5 信用評估模型的結果分析

模型的信用分數分布在0.11～0.71之間，且大致呈現正態分布，中間信用分數的用戶多，較大信用分數和較小信用分數的用戶較少。結果與統計學常識和業務實際情況相符合。

同時將用戶的變量屬性與分數結合分析，發現信用分數結果所反映出的信用事實與變量探索階段的結論相一致。通過模型結果分析，總結信用較好的用戶的特征如下。

（1）年齡集中在26～39、43～49階段，即中年用戶。

（2）支付能力處于中等及中等水平以上。

（3）通信需求大，通信行為活躍。

總體可以概括為，信用較好用戶多為支付能力穩定、通信需求強烈的中年客戶群體。這一部分用戶是營銷和維護的重點客戶群。

通過進一步挖掘分析，發現這部分用戶一般有固定的工作、具有穩定的經濟來源、存在一定的交往交際圈、對個人行為信用較為重視，因此在實際中具有良好的信用度。

參考文獻

[1] Bell T. Neural nets or the logit model： a comparison of each models ability to predict commercial bank failures[J]. Intelligent Systems in Accounting：Finance and Management， 1997（63）：249-264.

[2] Tam K Y， Kiang M. Managerial applications of neural networks： the case of bank failure predictions [J].Management Sciences， 1992（38）：926-947.

[3] Bell T. Neural nets or the logit model： a comparison of each models ability to predict commercial bank failures[J].Intelligent Systems in Accounting：Finance and Management，1997（63）：249-264.

[4] 王海軍，范靜珥，佟元琪.基于AHP法的農戶小額信用貸款風險評價的研究-以吉林省農村信用社為例[J].吉林農業，2009（24）：89-91.

[5] 譚民俊，王雄，岳意定.FPR-UTAH評價方法在農戶小額信貸信用評級中的應用[J].系統工程，2013（5）：55-59.

[6] 王穎.中國農戶小額信貸信用風險評估研究-基于模糊綜合評價模型[J].金融與統籌城鄉，2010（8）：60-62.

[7] 劉志戈.農戶信用征集與評價機制探析[J].金融理論與實踐，2008（12）：48-51.

[8] 吳沖，張曉東，田海霞，等.基于模糊神經網絡的商業銀行信用風險評估模型研究[J].管理觀察，2009（3）：187-189.

[9] 吳沖，王螢，郭英見.基于支持向量機的個人信用評估模型研究[J].運籌與管理，2008（4）：96-99.

[10] 陳良維.決策樹算法在農戶小額貸款中的應用研究[J].計算機工程與應用，2008（31）：242-244.

[11] 張博文.電信運營客戶信用評分建模研究[J].信息科技，2009（10）：113-114.

[12] 龐素琳，鞏吉璋.C5.0分類算法及在銀行個人信用評級中的應用[J].系統工程理論與實踐，2009（12）：94-104.

[13] 蔡麗艷，馮憲彬，丁蕊.基于決策樹的農戶小額貸款信用評估模型研究[J].安徽農業科學，2011（2）：1215-1217.