业务问题：
    据《中国银行卡产业发展蓝皮书（2021）》显示，截至2020年末，中国信用卡累计发卡量为11.3亿张，其中6个月内有使用记录的活卡为7.4亿张，有近4亿张信用卡处于“睡眠”状态。
睡眠信用卡将银行推向了十分槛尬的局面：一方面是睡眠信用卡数量不断扩大，造成有限的金融资源的浪费；一方面是为了占据信用卡市场，银行不得不继续向客户“兜售”信用卡，加剧信用卡市场的恶性循环。对此，金融监管机构出台了相关制度规范，要求银行强化信用卡业务经营管理，减少对金融资源的浪费。但目前各银行处理睡眠信用卡的工作仍没有突出成效。

解决方案
为应对睡眠信用卡大量存在的这一局面，银行方可以通过分析信用卡用户在APP上的消费行为数据各字段间的相关性，挖掘影响用户使用信用卡消费的关键因素，并建立回归模型预测用户的消费金额，以此制定更精细的用户运营策略，提高自家信用卡的使用率和用户粘性，减少银行金融资源的浪费。

   关键技术：影响消费因素分析；相关系数热力图；决策树回归；缺失值处理

 

   模型概览
   可用的数据字典：

 

   数据准备：

  a.训练数据orderAmount_train.csv，该表含有记录约2.3万条，部分字段存在缺失值。部分数据展示：

 

   b.测试数据orderAmount_test_x.csv（无revenue列），该表含有记录约5.9千条，部分字段存在缺失值。部分数据展示：

训练、测试数据有明显的数据缺失且存在非数值型数据，故数据输入模型前需对数据进行特征处理。
   

信用卡客户消费行为分析模型：

 

  将所有经过特征工程的测试样本作为输入样本，代入已构建好的模型，则可得到输出结果。
   输出结果为字段相关性矩阵与预测的客户下单金额。

   字段相关性矩阵：

 

  客户消费金额预测值：

 

   对决策树回归模型计算结果进行score指标评价，得到的score值为0.995。
决策树回归的预测值与真实值散点图如下：

   模型score值为0.995。该模型对客户订单金额预测效果较好，可将模型应用到相关的客户订单金额预测场景中，实现客户订单金额预测。基于决策树回归算法的信用卡客户消费行为分析模型，可以帮助银行找出影响用户下单的关键因素，并能有效地预测客户下单消费金额，以此帮助行方制定更精细的用户运营策略。

 

交付内容

模型体验
1点击【体验模型】

2进入建模平台，复制工程体验模型