我国信用卡业务在经过缓慢的市场培育阶段后,迎来了快速上升的发展阶段。各大商业银行受信用卡业务的高额利润和巨大市场空间的吸引,都大力加大信用卡的发行力度。但高利润必然伴随高风险。如何有效地对新申请客户进行信用评分,防范信用不良的客户申办信用卡,提高银行预防和抵抗信用卡风险的能力,是所有银行迫切需要解决的问题。因此,对信用卡申请评分的研究具有重要的理论价值和实际意义。本文以某商业银行积累的客户数据为研究对象,采用决策树、logistic回归和神经网络三种主要数据挖掘技术,利用先进的统计和商业智能软件SAS分析系统,建立了一个信用卡申请评分模型,实现了对引起个人信用风险的多种复杂混合因素一定程度上的定量分析。文章首先系统分析了信用卡业务及数据挖掘的基本理论,研究了数据挖掘方法在信用卡业务各方面的广泛应用。然后运用决策树、logistic回归和神经网络三种数据挖掘技术,利用相关数据资料分别建立不同的信用卡评分模型,并对其优缺点进行了比较评价。最后借助模型聚合方法进一步对前面各模型进行改进和综合,提高了模型的精确性和稳定性,并最终利用稳健的模型构建了信用卡申请评分规则,实现了高效、客观、准确和一致地对信用卡申请者做出信用评估。最终实验结果表明,在没有选择最优阈值的情况下,模型的整体正确率达到88.73%,其中“坏客户”被正确分类的比例为83.44%,“好客户”被正确分类的比例为92.02%。本文的创新之处主要体现在以下两个方面:1.分别采用决策树、logistic回归和神经网络建立不同的信用卡申请评分模型并进行比较评估;2.运用模型聚合方法综合三个模型的特点,建立稳健的信用卡申请评分模型。