伴随着全球经济的发展以及信息化程度的提高,信用卡在全球范围内得到普及。虽然其普及程度与各地区、国家的经济发展水平、居民收入水平息息相关,但丝毫不影响其受重视程度。信用卡在社会日常经济生活中的普及,不仅方便了持卡人的支付活动、提高其资金的安全性,而且给发卡机构、中间服务机构提供了可观的利润,甚至为国民经济的增长注入了活力。在欧美等发达金融市场,信用卡已逐渐形成成熟的产业,并且是相关企业的重要利润来源。在我国,信用卡业务是由商业银行开展；虽然起步较晚,但得益于我国广阔的市场环境和快速增长的经济水平,商业银行信用卡业务已经得到了长足的进步,并将继续深化和成熟。然而,对国内开展信用卡业务的商业银行尤其五大国有商业银行来说,信用卡业务实现的利润有限,甚至长期处于亏损状态。经济组织的逐利性决定了开源节流是实现盈利、增加利润的唯一手段。对信用卡业务而言,节流意味着在可取的范围内降低信用卡业务的经营管理成本、减少信用卡客户的流失、降低信用风险以及由此造成的损失等；开源则意味着发现新的营销机会和利润增长点、开发潜力客户的价值、实现高价值客户的交叉营销,甚至基于信用卡业务实现在未来利率市场化环境下的特色化经营。因此,对目前国内商业银行而言,如何实现信用卡业务的扭亏为盈；如何深化信用卡业务,并以此为载体开展私人银行业务；如何在未来利率市场化的环境下以信用卡业务为突破点,变革传统的利润增长方式,实现特色化经营,提高商业银行的经营管理水平等都是亟待解决的现实问题。恰恰近年来在国内吸引了众多关注的大数据理论和数据挖掘方法为这些问题的解决提供了更多的参考和手段。早在20世纪末大数据理论和数据挖掘方法就已经逐渐成熟,并在国外的学术领域和业界得到广泛的应用。数据挖掘过程与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现这一目标。金融领域利用数据挖掘技术,不仅可以用数据“说话”,为金融决策提供更加有效的支持,而且可以为金融服务提供更准确的信息和知识,为消费者提供有针对性的个性化服务。随着信息化程度的提高以及运营系统的日益完善,商业银行尤其信用卡业务积累了大量的有待挖掘和分析的数据。数据挖掘技术的应用能够有效解决其“数据丰富,知识贫乏”的现象。数据挖掘中的异常挖掘技术常被应用于异常现象和异常模式的识别,例如气象预测、机器故障等。无论是学术领域还是业界,目前针对信用卡的异常挖掘主要着眼于信用卡欺诈识别的研究。而这对信用卡来讲,属于节流的环节,因此并不能为商业银行信用卡业务的深化提供有效的数据支持。信用卡的异常挖掘不仅可以针对信用卡客户的“劣”的行为,也可以着眼于高价值客户的分析和异常行为模式的识别以发现异于常规的营销机会。换句话说,针对信用卡业务的异常挖掘也可以应用到其开源环节。本文以异常特征分析和模式识别理论为基础,建立商业银行信用卡客户异常数据识别模型进行实证分析。在本文建立的客户数据异常识别模型中,增加了年龄变量和信用卡客户信用水平变量以改进衡量客户价值的RFM方法——ARFMC作为模型的输入。运用对异常值极为敏感的k-均值算法从信用卡总体客户中分离出异常客户也即高价值客户；再基于信用卡客户的消费行为,运用Apriori算法对信用卡消费领域不同类别进行关联模式的分析,得出异常(高价值)客户的序列关联模式。基于本文的研究,期望能够为商业银行信用卡业务的深化提供一定的参考价值。本文的研究显示,由K-均值算法得出的六类客户中,第一类客户和第三类客户明显与其他客户存在差异性；换句话说,与其他客户相比,第三类客户就属于异常客户,同时也是高价值客户。这说明信用卡客户的异常挖掘并不仅仅针对于信用卡客户的欺诈行为,同时也能挖掘出不同于一般客户的高价值客户以及潜力客户。通过K-均值算法和SOM自组织映射方法的比较,验证了K-均值算法在数据异常挖掘中的稳定性,证实了其良好的异常识别能力；并且随着参数m值的提高,其异常识别能力也相应得以提高。