我国已成为世界第二大零售银行市场,国内商业银行须把握消费增长契机,稳健提升信用卡业务收益贡献,为商业银行转型发展扩大规模效应,增加中间业务收入奠定基础,但信用卡市场竞争也日趋激烈。同时,作为留住高价值客户和提升品牌影响力、市场竞争力的有效手段,精准营销越来越被银行业所看重。伴随着互联网技术的不断创新和发展,如何利用大数据挖掘和分析的技术方法,从数量庞大、类型繁多、结构复杂的信用卡业务数据中探寻新的市场机会,提升精准预测效果,是一个非常值得研究的课题。本文立足消费者信用卡消费分期的实证情境,利用我国某商业银行2018年3月共115612笔信用卡消费以及还款数据,运用Logistic回归和支持向量机(SVM)等大数据分析技术,对消费者信用卡分期决策进行预测,同时采用决策树、随机森林、BP神经网络等算法,进行了各种稳健性检验。实证结果显示:(1)传统的基于经验的回归方法在预测消费者信用卡分期决策的准确率约为75%,其年龄、消费金额、信用额度和财务状况是预测的考量因素。(2)通过机器学习进行消费者信用卡分期决策的预测比传统理论驱动的预测方法能获得更高的预测准确率(超过90%);另外,首先通过PCA降维的方式将消费者特征维度进行降维聚类能有效地优化算法。综上所述,基于大数据背景下我国消费者信用卡分期决策的实际情况,运用适当的机器学习算法能显著提高银行预测消费者决策的效率。