SJMMA 2026 C - 信用卡业务的数智化转型

Shanghai Joint Secondary School Mathematical Modeling Activity | 信用卡盈利建模·风控评分·客群画像·服务优化

一、信用卡业务盈利逻辑与量化模型

核心逻辑：信用卡业务收入 = 利息收入 + 手续费收入 + 商户回佣 - 资金成本 - 运营成本 - 坏账损失。通过量化各收入/成本项，建立净利润模型。

1.1 盈利结构模型

Profit = R_interest + R_fee + R_interchange - C_fund - C_operate - C_loss

收入项

R_interest = Σ_i Balance_i × APR_i × (1 - PayRate_i)

R_fee = N × AnnualFee + Σ LateFee + Σ CashAdvFee

R_interchange = Σ_i Spend_i × MerchantRate

成本项

C_fund = Σ_i Balance_i × FundRate

C_operate = FixedCost + N × PerCardCost

C_loss = Σ_i Balance_i × P(default_i) × LGD

1.2 盈利模拟器 (可调参数)

持卡客户数 (万) 50

人均透支余额 (元) 15000

年化利率 APR (%) 18

全额还款比例 (%) 45

人均年消费 (万元) 8

资金成本率 (%) 3.5

商户回佣率 (%) 0.5

坏账率 (%) 2.0

损失回收率 LGD (%) 60

单卡运营成本 (元/年) 200

盈利计算结果

利息收入(亿)

手续费收入(亿)

商户回佣(亿)

总收入(亿)

总成本(亿)

净利润(亿)

二、客户风险评估与信用评分模型

模型选择：采用 Logistic 回归模型构建信用评分卡。将违约概率映射为信用分数，分数越高表示风险越低。

P(default) = 1 / (1 + e^{-(β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ)})

Score = A - B × ln(P / (1-P)), 其中 A=600, B=20 (标准评分卡映射)

2.1 特征变量与模型系数

变量	含义	系数 β	WOE编码	IV值
x₁	信用额度使用率	1.25	连续分箱	0.38
x₂	近6月逾期次数	0.95	0/1/2/3+	0.52
x₃	账龄(月)	-0.45	连续分箱	0.21
x₄	月均消费金额	-0.30	连续分箱	0.15
x₅	收入负债比	-0.55	连续分箱	0.29
x₆	近3月新开户数	0.40	0/1/2+	0.12
x₇	最低还款使用频率	0.70	比例分箱	0.33

IV > 0.3 为强预测力变量，0.1-0.3 为中等预测力。

2.2 交互式信用评分计算器

信用额度使用率 (%) 50

近6月逾期次数 0

账龄 (月) 36

月均消费 (千元) 5

收入负债比 3.0

近3月新开户数 0

最低还款使用频率 (%) 10

信用评分

违约概率

风险等级

300 (高风险)550700850 (低风险)

2.3 模型评估指标

0.82

AUC

0.45

KS 值

0.64

Gini 系数

0.08

PSI (稳定性)

三、客户画像构建与客群划分

方法：基于 RFM (Recency, Frequency, Monetary) 扩展模型，采用 K-Means 聚类算法进行客群划分。通过轮廓系数确定最优聚类数。

min J = Σ_k=1^K Σ_{x∈C_k} ||x - μ_k||² (K-Means 目标函数)

3.1 客户特征维度

消费行为
- 月均消费金额
- 消费频次
- 消费类别偏好
- 单笔消费均值

还款行为
- 全额还款率
- 最低还款频率
- 逾期记录
- 提前还款倾向

账户属性
- 信用额度
- 额度使用率
- 账龄
- 分期偏好

3.2 K-Means 聚类模拟

客户数量: 聚类数 K: 最大迭代:

3.3 客群画像

四、提升服务与收益评估

策略思路：基于客群划分结果，针对不同客群设计差异化服务策略。通过 A/B 测试框架和收益模型评估数智化转型带来的增量价值。

4.1 差异化策略矩阵

客群	特征	策略	预期效果	投入产出比
高价值活跃客	高消费、全额还款	提额+专属权益+高端卡升级	消费额+15%	1:5.2
潜力成长客	中消费、偶尔分期	消费返现+分期优惠+场景权益	活跃度+25%	1:3.8
沉睡待激活客	低活跃、长期未用	首刷奖励+推送优惠+权益提醒	激活率+20%	1:2.1
高风险客	高逾期、高额度使用	降额+催收+风险预警+分期引导	坏账率-30%	1:4.5

4.2 收益评估模型

ΔRevenue = Σ_k N_k × [ARPU_k,after - ARPU_k,before] - StrategyCost_k

ROI = ΔRevenue / Σ StrategyCost × 100%

收入增量(万/年)

风险节约(万/年)

综合ROI

回收期(月)

4.3 A/B 测试模拟

假设检验：
H₀: 策略组与对照组收益无显著差异
H₁: 策略组收益显著高于对照组
检验方法: 双样本 t 检验, α = 0.05

4.4 数智化转型综合效益

维度	传统模式	数智化模式	提升
风控审批效率	2-3天	秒级	提速99%
坏账率	3.2%	1.8%	降低44%
营销转化率	2.5%	8.7%	提升248%
客户满意度	72分	88分	+16分
人均ARPU	680元/年	920元/年	+35%