信用卡市场细分可以提高商业银行信用卡业务的管理水平和经营能力,然而现有的市场细分研究和实践存在一些问题，难以满足信用卡业务快速发展的需要。从研究的数量上看，现有的研究针对持卡人进行市场细分研究的较多，而针对特约商户进行研究的较少。从研究的视角看，信用卡持卡人的细分多以信用卡客户的价值评价为基础，关注持卡用户的商业价值，很少同时考虑持卡用户的信用风险；特约商户的细分则根据行业的不同设定不同的回佣费率政策，很少考虑商业银行的实际管理需求。从商业银行的营销管理上看，现有的细分没有考虑到特约商户和持卡用户的关联，现实采用的营销策略没有针对性，常常成了摆设，达不到促销的目的。针对以上问题，本研究从信用卡的交易数据出发，以数据挖掘技术为支撑，提出了持卡人和特约商户的市场细分模型，希望为商业银行的信用卡市场细分管理提供有效的方法。针对现有的持卡人市场细分较少同时考虑信用风险的问题，提出了基于RFM客户价值评价的信用卡持卡人的市场细分模型RFMDA。提出的模型基于信用卡持卡人消费交易数据，在最近购买时间(Recency)、购买频率(Frequency)和总购买金额M(Monetary Value)三个变量的基础上，将信用卡持卡人的风险因素引入价值评价中，增加逾期拖欠风险(Default)和疑似套现风险(Arbitrage)两个变量，通过K-means++聚类算法将信用卡持卡人划分为9个簇，按照聚类中心的特征将持卡人分为9类，分别对应高中低价值和高中低风险的持卡人，为信用卡持卡人的营销管理决策提供了更实用和有效的细分决策。实验对比研究证实了RFMDA模型比RFM模型能更好地对持卡人分类，更有实用价值和有效。针对目前特约商户数量急剧增加与商业银行人手不足、监管不力的矛盾，提出了基于随机森林算法的特约商户细分决策模型MSBRF。该模型基于信用卡消费交易数据中的特约商户交易数据，从特约商户的消费交易数据出发，提出了识别特约商户风险特征和细分商户的10个决策变量，采用随机森林算法通过对部分样本的学习构建分类器，并采用该分类器实现对其它特约商户的分类，发现可能存在风险的特约商户，满足商业银行对特约商户监管的实际需要。实验结果验证了模型可以有效性地对特约商户分类，与决策树算法相比，随机森林算法具有更好的性能，和其它分类算法相比，随机森林算法可以评价10个决策变量在细分决策中的重要性，这为特约商户的实际管理提供了重要参考。针对实际管理中较少考虑信用卡持卡人与特约商户的关联，营销政策缺少针对性的问题，提出了持卡人和特约商户的社会网络分析细分模型。该模型融合了持卡人和特约商户两类消费交易数据，根据信用卡的消费交易记录，建立信用卡持卡人和特约商户的关联关系，并以此为基础建立信用卡持卡人和特约商户的消费交易关联社会网络，采用社会网络分析中的岛屿分析方法发现交易密切的持卡人和商户群体，为信用卡监管提供参考。基于信用卡持卡人和特约商户的交易关系，利用不同信用卡持卡人与同一特约商户的交易关系，建立信用卡持卡人之间的关联关系和网络，同理，利用不同特约商户与同一信用卡持卡人的交易关系，建立特约商户之间的关联关系及网络。利用社会网络分析中的Clique(派系)发现和Community(社区)发现算法，在持卡人网络和特约商户网络中发现关联紧密的持卡人群体和特约商户群体，为精细化的市场营销细分策略提供重要依据。实验结果证实了提出的方法能发现关联紧密的群体。