信用卡业务在我国经过缓慢的市场培育阶段后,迎来了快速上升的发展时期。受其高额利润和巨大市场空间的吸引,许多商业银行都在不断加大信用卡的发行力度。随之而来的是发卡量的急剧增长,这就对信用卡的风险控制提出了更高的要求。如何既能够尽可能多地发卡,又能够将风险控制在可接受的范围内,成为各商业银行面临的一大难题,也是目前国内外学术界研究的重点和热点。然而现阶段我国有关此方面的研究由于受到种种条件的制约,存在以下明显不足:第一,样本数据的缺乏。客户资料对于银行来说非常重要,各银行都相当重视对其的保密工作,因此,获得真实有效的数据对于研究来说较为困难;第二,建模方法单一。多数文章仅使用一种模型来研究,无法全方面多角度地反映问题的本质。有鉴于此,本文以某银行信用卡中心提供的数据为研究对象,利用业界著名的软件SAS中的Enterprise Miner模块,建立了决策树、Logistic回归和神经网络三种模型,实现了对影响申请人信用的多种因素的数量分析,经过综合的分析与比较,确定了在此次研究中神经网络模型的预测效果较好。通过已获得的申请人数据,运用该模型对申请人进行信用评分,可以为信用卡的审批提供参考。全文共分为六章,主要内容如下:第一章绪论。阐述了选题背景、研究目的和意义、国外国内研究动态及评述、研究内容与方法及本文的可能创新之处。第二章信用评分概述。介绍了信用评分的定义、历史、优势以及在信用卡方面的应用。第三章数据挖掘概述。引入了数据挖掘技术并重点介绍了本文所使用的挖掘工具和挖掘方法,为后面的模型建立提供了方法论支持。第四章样本数据的处理与分析。对样本数据进行了详尽的处理与分析,包括一维和二维分析、定性和定量分析。第五章数据挖掘技术在信用卡信用评分模型中的应用。在全面比较了建模方法的基础上,建立了基于数据挖掘技术的信用卡信用评分模型,随后对其进行了评估和应用。这一章是本文的核心。第六章总结与展望。指出了本研究的不足之处和下一步需要进行的工作。