隨著國人持信用卡消費購物方式的蔚為風氣,致使發卡機構每日所需處理
的申請案件激增;同時,由於信用卡業務的日趨多元化,更增添了審核的
複雜度。傳統以人為判斷為主的審核方法,在有限的人力之下,勢將難以
因應如此龐大的審核需求,而在時間緊迫、經驗累積不足的情形下,難免
會危及授信品質,而增加了此項授信業務的風險。有鑑於此,本研究希望
能藉由範例學習法建立一信用卡信用風險審核模式,期能有效輔助信用卡
發卡審核作業,以降低授信風險,並提昇發卡機構的經營績效。本研究以
某發卡機構為研究對象。抽取個案機構81全年度,審核通過的資料作為研
究樣本。其中以截至82年度3月止,被強制停卡者之不良卡戶,計2,788筆
;而仍繼續流通的正常卡戶,計有97,001筆,總計99,789筆,作為系統學
習及測試所需之資料。本研究首先針對信用卡審核問題的特性,探討範例
學習法的處理策略,我們將計質線索以相對風險的觀念轉換為順序尺度,
並使所建構的二元樹之葉節點(判斷法則)精簡了二分之一左右,和原分
類樹預測能力並無顯著差異。其次,我們進一步運用修剪策略,可將原判
斷法則數由230條減至26條,大幅的提升了執行效率;修剪策略的運用,
雖然降低了區別率,但卻將預測能力(命中率)由67.1%提升至72.58%。
亦即研究結果顯示,避免分類過細,有助於系統預測能力的提升。本研究
範例學習審核模式之預測能力達72.58%,較 Logistic Re- gression 審
核模式高出約6.49%。在重要性線索的選取上,二者具有相當的一致性;
研究結果顯示,原持有一般卡張數、金卡張數、教育程度、公司等級、職
級等為區別力較佳的信用要素。其中區別能力最強的因素為原一般卡持有
張數,張數愈多,信用風險愈高,而此因素為原審核模式所疏漏者,值得
授信人員警惕。此外,我們再將成本效益因素加入分類樹判斷法則,透過
此方式可調整授信的門檻,以增加發卡機構所能獲取的利潤。進一步考量
申請者的信用風險與所得,建立一信用額度核定的方式。研究結果顯示,
以此一模式授與信用額度較原機構之授與方式,高出約一仟二佰萬元淨收
益。此乃由於本模式能有效辨識出不良客戶(命中率為 80.58%),因而
大幅地降低了呆帳的損失。最後,我們綜合本研究的心得,提出一些未來
研究課題,期能使最適分類樹的產生更具效率,並且擴大研究的範圍,希
望能將信用卡範例學習系統推展至各發卡機構,並應用於信用管理的各層
面,以有效提昇信用卡經營效益。
Identifer | oai:union.ndltd.org:CHENGCHI/B2002003882 |
Creators | 許愛惠, Ai-Huey Shu |
Publisher | 國立政治大學 |
Source Sets | National Chengchi University Libraries |
Language | 中文 |
Detected Language | Unknown |
Type | text |
Rights | Copyright © nccu library on behalf of the copyright holders |
Page generated in 0.0017 seconds