本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：信用卡业务是银行零售业务利润贡献的重要组成部分，基于运营商大数据可以对用户进行全面立体的刻画，进而分析信用卡潜在用户的特征。提出了基于人工蜂群算法的K-means聚类算法，可以提升K-means算法的簇头初始化水平，提升K-means算法性能。同时，将该算法运用在信用卡精准营销场景中，可以获取影响客户办理信用卡的关键要素，从而更加有效地发掘潜在用户，为垂直行业发展带来新思路和新动能。
关键词：群体智能；人工蜂群算法；数据挖掘；K-means；精准营销
doi：10.12045/j.issn.1007-3043.2019.09.007
引言
随着机器学习、AI技术的研究和推广以及5G万物互联时代的到来，大数据技术已逐渐成为行业技术革命的新动能，运营商大数据则以其用户规模巨大、覆盖空间广、时间连续性强的优势发挥着重要作用。通过运营商大数据，我们可以获取业务行为、时间位置、使用偏好、终端等信息，形成用户360°画像，为垂直领域带来新思路和新动能。
在金融行业中，信用卡业务是银行零售业务利润贡献的重要组成部分，也是促进产品和服务供求方交易的良性循环的催化剂，而信用卡本身也是联系银行、客户、特约商户等多方关系的重要渠道，其客户类别和客户需求呈现多元化、个性化的特征，因此精准挖掘潜在信用卡用户对银行增加收入、开拓市场、构建生态链有着重要意义。基于运营商大数据及机器学习算法，可以深刻洞察信用卡用户及意向用户的特征，将潜在客户转变为实际客户，从而增加银行信用卡业务收益。在此过程中，基于客户特征划分用户群体，并获取影响意向率和转化率的关键因素，具有重要意义，聚类算法是解决此类群体划分问题的常用方法。
K-means算法是经典的聚类算法，该算法以样本之间的距离作为衡量样本是否相似的指标，先假设簇是由距离相近的样本组成，通过对簇划分的优化，使簇内距离之和最小，也就是找到簇间独立且簇内紧凑的簇群。因此，通过K-means算法可以对信用卡用户及潜在用户群体进行聚类，基于每个簇的特征获取影响意向率、转化率和核卡率的关键因素，更加有的放矢地进行信用卡推广。
在K-means聚类算法中，第1步为簇头的选择，在所有的节点中随机选择k个节点作为簇头，然后根据簇内节点的位置更新簇头，因此，若初始簇头的选择不合理，将会影响最终聚类结果。而群体智能算法有着良好的健壮性，可以有效解决这类多模态、非线性的np-hard问题。
