本文摘要：作為信用交易的電子化載體，信用卡是現(xiàn)代貨幣體系的重要延伸，更是重要的支付手段和信貸工具，在便利商品和服務(wù)交易支付結(jié)算的同時(shí)，也促進(jìn)了商業(yè)銀行相關(guān)業(yè)務(wù)的增長(zhǎng)。 對(duì)商業(yè)銀行來(lái)說(shuō)，信用卡業(yè)務(wù)是其夯實(shí)客戶(hù)基礎(chǔ)的戰(zhàn)略性業(yè)務(wù)之一，具有綁定客戶(hù)、擴(kuò)面擴(kuò)戶(hù)、穩(wěn)定存款
作為信用交易的電子化載體，信用卡是現(xiàn)代貨幣體系的重要延伸，更是重要的支付手段和信貸工具，在便利商品和服務(wù)交易支付結(jié)算的同時(shí)，也促進(jìn)了商業(yè)銀行相關(guān)業(yè)務(wù)的增長(zhǎng)。 對(duì)商業(yè)銀行來(lái)說(shuō)，信用卡業(yè)務(wù)是其夯實(shí)客戶(hù)基礎(chǔ)的戰(zhàn)略性業(yè)務(wù)之一，具有綁定客戶(hù)、擴(kuò)面擴(kuò)戶(hù)、穩(wěn)定存款、創(chuàng)造中間業(yè)務(wù)收入等綜合作用。
客戶(hù)是商業(yè)銀行信用卡業(yè)務(wù)發(fā)展的基礎(chǔ)，信用卡消費(fèi)規(guī)模、貸款規(guī)模、業(yè)務(wù)收入的增長(zhǎng)均依賴(lài)于客戶(hù)的規(guī)模和質(zhì)量。 可以說(shuō)，誰(shuí)優(yōu)先獲得龐大且優(yōu)質(zhì)的信用卡客戶(hù)群，誰(shuí)就優(yōu)先取得了消費(fèi)金融時(shí)代的發(fā)展優(yōu)勢(shì)。 本文基于某商業(yè)銀行北京市A支行(以下簡(jiǎn)稱(chēng)“A支行”)的調(diào)查結(jié)果對(duì)個(gè)人信用卡準(zhǔn)入、申請(qǐng)?jiān)u分和初始授信影響因素進(jìn)行研究分析，為商業(yè)銀行提升信用卡營(yíng)銷(xiāo)水平、信用卡申請(qǐng)者提高申請(qǐng)通過(guò)率提供參考建議。
一、調(diào)查對(duì)象的基本情況
1.調(diào)查對(duì)象
通過(guò)對(duì)A支行一年的個(gè)人信用卡申請(qǐng)、審批情況的調(diào)查分析，筆者發(fā)現(xiàn)其間共有438人向該營(yíng)業(yè)網(wǎng)點(diǎn)申請(qǐng)個(gè)人信用卡，其中有134人獲得準(zhǔn)入，獲得準(zhǔn)入的比例為30.60%(該百分比為四舍五入后數(shù)值，下同)，其余申請(qǐng)者均因各種原因被拒絕準(zhǔn)入。
2.申請(qǐng)者性別分布情況
調(diào)查樣本中，男性申請(qǐng)者294人，占比67.10%; 女性申請(qǐng)者144人，占比32.90%。 其中，男性申請(qǐng)者中有228人被拒絕準(zhǔn)入，占比為77.60%; 女性申請(qǐng)者中有76人被拒絕準(zhǔn)入，占比為52.80%; 獲得準(zhǔn)入的男性申請(qǐng)者和女性申請(qǐng)者分別為66人和68人，分別占同性別申請(qǐng)者總數(shù)的22.40%和47.20%。 整體來(lái)看，男性申請(qǐng)者數(shù)量是女性申請(qǐng)者的兩倍，但最終獲得準(zhǔn)入的男性申請(qǐng)者人數(shù)比女性申請(qǐng)者少2人，女性申請(qǐng)者獲得準(zhǔn)入的比例是男性申請(qǐng)者的2倍多。 對(duì)申請(qǐng)者性別分布情況進(jìn)行卡方檢驗(yàn)得出P值小于0.01，說(shuō)明不同性別申請(qǐng)者獲得準(zhǔn)入的差異極顯著。
3.申請(qǐng)者來(lái)源分類(lèi)情況
84.90%的申請(qǐng)者是A支行的新客戶(hù)，共372人，其中271人未獲得準(zhǔn)入，101人獲得準(zhǔn)入，獲得準(zhǔn)入的比例為27.20%。 申請(qǐng)者為本行借記卡客戶(hù)、已有本行信用卡客戶(hù)和系統(tǒng)識(shí)別優(yōu)質(zhì)客戶(hù)分別占申請(qǐng)者總數(shù)的5.50%、2.30%和5.90%，獲得準(zhǔn)入的比例分別為29.20%、50.00%和61.50%。 申請(qǐng)者為本行房貸客戶(hù)和本行員工的分別占申請(qǐng)者總數(shù)的0.90%和0.50%，但獲得準(zhǔn)入的比例分別為75.00%和100.00%。
在獲得準(zhǔn)入的申請(qǐng)者中，申請(qǐng)者來(lái)源為新客戶(hù)的人數(shù)占75.40%，系統(tǒng)識(shí)別優(yōu)質(zhì)客戶(hù)和本行借記卡客戶(hù)的人數(shù)分別占11.90%和5.20%，其他來(lái)源的人數(shù)占比均小于5.00%。 可以看出，申請(qǐng)者與發(fā)卡行的關(guān)系越緊密，獲得準(zhǔn)入的可能性就越高。
4.申請(qǐng)渠道分布情況
75.30%的申請(qǐng)者通過(guò)營(yíng)業(yè)網(wǎng)點(diǎn)申請(qǐng)個(gè)人信用卡，共330人，其中有111人獲得準(zhǔn)入，獲得準(zhǔn)入的比例為33.60%。 通過(guò)網(wǎng)上銀行和其他渠道申請(qǐng)的人數(shù)分別為52和35，分別占申請(qǐng)總數(shù)的11.90%和8.00%，獲得準(zhǔn)入的比例分別為5.80%和14.30%，遠(yuǎn)低于通過(guò)營(yíng)業(yè)網(wǎng)點(diǎn)申請(qǐng)獲得準(zhǔn)入的比例。 通過(guò)柜面客戶(hù)端、網(wǎng)銀交叉銷(xiāo)售和手機(jī)銀行申請(qǐng)的人數(shù)逐漸減少，分別為15、4和2，獲得準(zhǔn)入的比例分別為66.70%、100.00%和50.00%，高于通過(guò)營(yíng)業(yè)網(wǎng)點(diǎn)申請(qǐng)獲得準(zhǔn)入的比例。
在獲得準(zhǔn)入的申請(qǐng)者中，通過(guò)營(yíng)業(yè)網(wǎng)點(diǎn)申請(qǐng)的人數(shù)占82.80%，通過(guò)柜面客戶(hù)端申請(qǐng)的人數(shù)占7.50%，其他渠道申請(qǐng)的人數(shù)占比均小于5.00%。 調(diào)查結(jié)果顯示，營(yíng)業(yè)網(wǎng)點(diǎn)依然是客戶(hù)申請(qǐng)個(gè)人信用卡的主要渠道，雖然近年來(lái)通過(guò)網(wǎng)上銀行、手機(jī)銀行等電子渠道申請(qǐng)個(gè)人信用卡的客戶(hù)有所增多，但通過(guò)電子渠道申請(qǐng)個(gè)人信用卡獲得準(zhǔn)入的比例遠(yuǎn)低于通過(guò)營(yíng)業(yè)網(wǎng)點(diǎn)等傳統(tǒng)渠道申請(qǐng)個(gè)人信用卡獲得準(zhǔn)入的比例。
5.獲得準(zhǔn)入的申請(qǐng)者的基本特征
在獲得準(zhǔn)入的申請(qǐng)者中，已婚有子女的申請(qǐng)者人數(shù)為92，占獲得準(zhǔn)入總數(shù)的比例為68.70%; 未婚的申請(qǐng)者人數(shù)為32，占獲得準(zhǔn)入總數(shù)的比例為23.90%; 已婚無(wú)子女與其他婚姻狀態(tài)的申請(qǐng)者人數(shù)分別7和3，占獲得準(zhǔn)入總數(shù)的比例分別為5.20%和2.20%。 擁有大學(xué)本科和專(zhuān)科學(xué)歷的申請(qǐng)者人數(shù)分別為64和34，占獲得準(zhǔn)入總數(shù)的比例分別為47.80%和25.40%; 擁有研究生及以上學(xué)歷和高中/中專(zhuān)及以下學(xué)歷的申請(qǐng)者人數(shù)分別為15和21，占獲得準(zhǔn)入總數(shù)的比例分別為11.20%和15.70%。
二、個(gè)人信用卡申請(qǐng)被發(fā)卡行拒絕的原因分析
調(diào)查對(duì)象中共有304名信用卡申請(qǐng)者被拒絕準(zhǔn)入，占申請(qǐng)總數(shù)的69.40%。 “內(nèi)部核查未通過(guò)”“征信未滿(mǎn)足準(zhǔn)入條件”和“綜合評(píng)分不足”是個(gè)人信用卡申請(qǐng)被發(fā)卡行拒絕的前三大原因，分別占比25.00%、19.10%和15.10%，合計(jì)為59.20%。 由于“郵寄地址核實(shí)有誤”和“申請(qǐng)者要求取消”原因被拒絕準(zhǔn)入的人數(shù)占被拒絕總數(shù)的比例均為5.60%。
由于個(gè)人信用卡申請(qǐng)者自身不良信用記錄導(dǎo)致申請(qǐng)被發(fā)卡行拒絕的情況包括“申請(qǐng)者信用卡最長(zhǎng)逾期2個(gè)月數(shù)及以上”“信用卡當(dāng)前逾期期數(shù)為1且當(dāng)前逾期金額在200元(不含)以上”和“申請(qǐng)者被系統(tǒng)識(shí)別為風(fēng)險(xiǎn)客戶(hù)”，因此三種情況被拒絕準(zhǔn)入的人數(shù)分別為14、4和3，占被拒絕總數(shù)的比例分別為4.60%、1.30%和1.00%，合計(jì)為6.90%。 由于申請(qǐng)者“持有信用卡總數(shù)過(guò)多”和“用信已高”原因被拒絕準(zhǔn)入的人數(shù)分別為8和10，合計(jì)占被拒絕總數(shù)的比例為5.90%。 由于申請(qǐng)者“近3個(gè)月征信查詢(xún)機(jī)構(gòu)大于3家”原因被拒絕準(zhǔn)入的人數(shù)為13，占被拒絕總數(shù)的比例為4.30%。
由于申請(qǐng)者提供的申請(qǐng)信息不準(zhǔn)確和申請(qǐng)資料不完備而導(dǎo)致被拒絕準(zhǔn)入的客戶(hù)占一定比例，發(fā)生這種情況的主體責(zé)任在申請(qǐng)者，但如果營(yíng)銷(xiāo)人員在客戶(hù)填寫(xiě)申請(qǐng)表或提供申請(qǐng)資料時(shí)為其提供相應(yīng)的指導(dǎo)，并在第一時(shí)間檢查判斷客戶(hù)申請(qǐng)信息的準(zhǔn)確性和申請(qǐng)資料的完備性，就可以有效減少客戶(hù)被拒情況的發(fā)生。 申請(qǐng)信息不準(zhǔn)確主要體現(xiàn)在“郵寄地址核實(shí)有誤”“調(diào)查時(shí)聯(lián)系不到客戶(hù)”“申請(qǐng)表多處涂改”和“資料邏輯有誤”等方面，因此類(lèi)原因被拒絕準(zhǔn)入的人數(shù)占被拒絕總數(shù)的比例為13.49%。
申請(qǐng)資料不完備主要體現(xiàn)在“申請(qǐng)資料不完整但到期未收到補(bǔ)充資料”，因此類(lèi)原因被拒絕準(zhǔn)入的人數(shù)占被拒絕總數(shù)的比例為3.30%。 另外，“申請(qǐng)?jiān)u分與征信評(píng)分偏離度較大”和“申請(qǐng)者被系統(tǒng)識(shí)別為風(fēng)險(xiǎn)客戶(hù)”也是申請(qǐng)者被拒絕準(zhǔn)入的原因。
從信用卡申請(qǐng)被拒絕環(huán)節(jié)來(lái)看，22.40%的申請(qǐng)者被拒絕準(zhǔn)入發(fā)生在調(diào)查環(huán)節(jié)，77.60%的申請(qǐng)者被拒絕準(zhǔn)入發(fā)生在審批環(huán)節(jié)。
三、基于自動(dòng)線性建模的指標(biāo)對(duì)申請(qǐng)?jiān)u分的相對(duì)重要性分析
提前預(yù)測(cè)貸款違約者可以幫助金融機(jī)構(gòu)采取一些預(yù)防措施，避免向潛在風(fēng)險(xiǎn)客戶(hù)發(fā)放貸款，從而減少不良貸款的數(shù)量。 申請(qǐng)?jiān)u分可幫助金融機(jī)構(gòu)確定申請(qǐng)者是否符合貸款條件及其需支付的利率，是金融機(jī)構(gòu)重要的風(fēng)險(xiǎn)管理措施。 目前，發(fā)卡機(jī)構(gòu)主要基于申請(qǐng)者的信用歷史情況對(duì)申請(qǐng)者進(jìn)行信用評(píng)分。 隨著科學(xué)技術(shù)的發(fā)展，越來(lái)越多的信用評(píng)分方法被應(yīng)用于該領(lǐng)域，如判別分析、邏輯回歸、決策樹(shù)、數(shù)據(jù)挖掘和人工智能等。
近年來(lái)，自動(dòng)線性建模(Automatic Linear Modeling)在回歸模型的構(gòu)建過(guò)程中被廣泛使用，可通過(guò)簡(jiǎn)單的參數(shù)選擇實(shí)現(xiàn)自動(dòng)的數(shù)據(jù)處理、特征選擇、模型訓(xùn)練和預(yù)測(cè)，從而輸出預(yù)測(cè)結(jié)果，將各種最新的智能分析和自動(dòng)分析技術(shù)以簡(jiǎn)明易懂的形式直接提供給用戶(hù)。
為了探索個(gè)人信用卡申請(qǐng)?jiān)u分影響因素，本文采用SPSS數(shù)據(jù)分析軟件的自動(dòng)線性建模功能，參考國(guó)內(nèi)外成熟的信用評(píng)價(jià)或評(píng)分模型，以“客戶(hù)來(lái)源”“申請(qǐng)渠道”“征信等級(jí)”“年齡”“婚姻狀況”“學(xué)歷水平”“個(gè)人年收入”“住房情況”“職業(yè)”“行業(yè)種類(lèi)”“職務(wù)”和“職稱(chēng)”等12個(gè)指標(biāo)為自變量，“申請(qǐng)?jiān)u分”為因變量，分析各指標(biāo)對(duì)申請(qǐng)?jiān)u分的的相對(duì)重要性。
根據(jù)自動(dòng)線性建模分析，“征信等級(jí)”“年齡”“職業(yè)”“客戶(hù)來(lái)源”“住房情況”“申請(qǐng)渠道”和“學(xué)歷水平”這7個(gè)指標(biāo)是影響申請(qǐng)?jiān)u分的重要指標(biāo)，且各指標(biāo)的相對(duì)重要性依次下降。 其中，相對(duì)重要性大于5%的指標(biāo)有“征信等級(jí)”“年齡”“職業(yè)”和“客戶(hù)來(lái)源”，相對(duì)重要性依次分別為69.59%、9.51%、7.81%和7.33%。 表4顯示，上述7個(gè)相對(duì)重要指標(biāo)均與申請(qǐng)?jiān)u分存在顯著的相關(guān)性。
四、基于逐步回歸模型的指標(biāo)對(duì)初始授信額度的影響分析
逐步回歸(Stepwise Regression)是指逐步將自變量輸入模型，如果該自變量具統(tǒng)計(jì)學(xué)意義，則將其納入回歸模型中，同時(shí)移出不具有統(tǒng)計(jì)學(xué)意義的變量，最終得到一個(gè)自動(dòng)擬合的回歸模型。 以“客戶(hù)來(lái)源”“申請(qǐng)渠道”“征信等級(jí)”“年齡”“婚姻狀況”“學(xué)歷水平”“個(gè)人年收入”“住房情況”“職業(yè)”“行業(yè)種類(lèi)”“職務(wù)”和“職稱(chēng)”等12個(gè)指標(biāo)為自變量，“初始授信額度”為因變量，采用逐步回歸方法建立回歸模型，進(jìn)一步分析各指標(biāo)對(duì)初始授信額度的影響。
根據(jù)逐步回歸結(jié)果可知，逐步回歸分析過(guò)程中一共建立了4個(gè)回歸模型，這些模型中依次被納入的自變量是“客戶(hù)來(lái)源”“個(gè)人年收入”“年齡”“學(xué)歷水平”。 引入新變量后，原有模型中的變量均有統(tǒng)計(jì)學(xué)意義(顯著性檢驗(yàn)的P值均小于0.05)，因而未有自變量被移出，且4個(gè)模型校正決定系數(shù)也是持續(xù)增大的。
在4個(gè)被納入模型的自變量中，“個(gè)人年收入”和“年齡”變量是數(shù)值變量，“客戶(hù)來(lái)源”和“學(xué)歷水平”變量是分類(lèi)變量。 “客戶(hù)來(lái)源”的賦值情況為：新客戶(hù)的賦值為1，本行借記卡客戶(hù)的賦值為2，系統(tǒng)識(shí)別優(yōu)質(zhì)客戶(hù)的賦值為3，已有本行信用卡客戶(hù)的賦值為4，本行房貸客戶(hù)的賦值為5，本行員工的賦值為6。 “學(xué)歷水平”的賦值情況為：高中/中專(zhuān)以下的賦值為1，大學(xué)專(zhuān)科的賦值為2，大學(xué)本科的賦值為3，研究生及以上的賦值為4。
4個(gè)回歸模型中自變量的偏回歸系數(shù)估計(jì)值均為正數(shù)，且各個(gè)自變量的統(tǒng)計(jì)檢驗(yàn)P值均小于0.05。 隨著新變量的納入，原有變量的偏回歸系數(shù)估計(jì)值均在發(fā)生變化。 將回歸系數(shù)進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)化，可以消除原始變量單位不同及量綱不同的影響，便于對(duì)回歸模型中自變量對(duì)因變量的影響進(jìn)行比較。 根據(jù)標(biāo)準(zhǔn)化系數(shù)估計(jì)值可知，4個(gè)自變量對(duì)因變量的影響大小從高到低依次為“客戶(hù)來(lái)源”“個(gè)人年收入”“年齡”和“學(xué)歷水平”。
申請(qǐng)者來(lái)源在一定程度上反映的是申請(qǐng)者與發(fā)卡行的關(guān)系，是發(fā)卡行評(píng)估申請(qǐng)者信用卡初始授信額度的重要參考依據(jù)。 根據(jù)回歸模型，申請(qǐng)者與發(fā)卡行的關(guān)系越緊密，申請(qǐng)信用卡時(shí)獲得的初始授信額度就越高。 申請(qǐng)者的個(gè)人年收入反映的是其還款能力，年齡反映的是其工作時(shí)長(zhǎng)或財(cái)富累積時(shí)長(zhǎng)，學(xué)歷水平因?qū)ι暾?qǐng)者的收入有較大影響，在一定程度上也反映了其還款能力。 因此，客戶(hù)的“個(gè)人年收入”“年齡”和“學(xué)歷水平”在一定程度上代表了客戶(hù)的收入水平或還款能力，也是發(fā)卡行評(píng)估客戶(hù)信用卡初始授信額度的重要考量指標(biāo)。
反映的是被回歸模型4排除在外的自變量的偏相關(guān)系數(shù)估計(jì)值、偏相關(guān)關(guān)系以及多重共線容忍度。 從模型分析結(jié)果可知，被各個(gè)模型排除在外的自變量若納入原有模型，“客戶(hù)來(lái)源”這一自變量的偏相關(guān)系數(shù)估計(jì)值都很小且均未能通過(guò)統(tǒng)計(jì)檢驗(yàn)，銀行信用卡營(yíng)銷(xiāo)人員對(duì)客戶(hù)的“初始授信建議額度”除在模型1(模型1的校正決定系數(shù)是4個(gè)模型中最小的)中偏相關(guān)系數(shù)相對(duì)較大且通過(guò)統(tǒng)計(jì)檢驗(yàn)外，在其余模型中的偏相關(guān)系數(shù)都較小且未能通過(guò)統(tǒng)計(jì)檢驗(yàn)。 表6中的共線性統(tǒng)計(jì)量“容差”越小，則多重共線性越嚴(yán)重。 從共線性統(tǒng)計(jì)結(jié)果來(lái)看，4個(gè)回歸模型不存在嚴(yán)重的多重共線性。
五、結(jié)論與啟示
結(jié)合上述調(diào)查分析結(jié)果，筆者建議，銀行應(yīng)通過(guò)完善考核體系促使?fàn)I銷(xiāo)人員的營(yíng)銷(xiāo)目標(biāo)與銀行各層級(jí)目標(biāo)一致，降低對(duì)營(yíng)銷(xiāo)數(shù)量的考核比重，提升有效營(yíng)銷(xiāo)的考核比重，鼓勵(lì)營(yíng)銷(xiāo)人員在第一時(shí)間判斷申請(qǐng)信息的準(zhǔn)確性和申請(qǐng)資料的完備性，在客戶(hù)填寫(xiě)申請(qǐng)表或提供申請(qǐng)資料時(shí)為客戶(hù)提供相應(yīng)的指導(dǎo)，減少客戶(hù)因此類(lèi)原因被拒情況的發(fā)生，進(jìn)一步提升信用卡營(yíng)銷(xiāo)水平。 此外，申請(qǐng)者應(yīng)增強(qiáng)信用意識(shí)，保持良好的個(gè)人信用記錄，盡量選擇與自身關(guān)系比較緊密的銀行申請(qǐng)信用卡，以降低被拒絕的可能性，并獲得更高的初始授信額度。
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/29554.html
