近些年随着我国国民收入的提高和城市居民消费习惯的转变,信用卡业务在中国得到了快速发展,为各个商业银行带来了丰厚的客户资源及可观的利润。信用卡业务的迅速崛起为我国银行业带来了巨大商机。但与此同时,国内各大商业银行也正面临着前所未有的挑战。信用卡竞争日趋激烈,但是高度竞争使得各发卡银行对于审核申请信用卡的人的限制趋于宽松,忽略了风险的管理和控制。是否具有强大的平衡风险与收益的能力是信用卡业务成败与否的关键,提高商业银行的信用卡风险管理能力刻不容缓。先进的数据挖掘技术能够从海量的信用卡业务数据中挖掘出一些未知的、有价值的规律,无疑为商业银行信用卡信用风险管理提供了强有力的技术支持。本文针对信用卡信用风险计量模型进行研究分析,将当前数据分析领域最为先进的数据挖掘技术应用于商业银行信用卡信用风险管理中,从信用卡及信用卡风险的基本概念与特点出发,总结了信用卡信用风险管理方面的研究成果。详细地阐述了数据挖掘理论,重点介绍决策树方法的基本原理,及其在信用卡信用风险管理领域的适用性。在此基础上,对商业银行个人客户信用评分模型进行深入研究,以个人征信系统数据为分析标的,对数据样本进行数据采集、抽取、预处理等操作后运用数据挖掘中的决策树算法,建立符合实际需求的个人信用评分模型,挖掘出隐含的规律。本文设立的信用申请评分指标体系与现有的各商业银行评分体系相比新增了信用卡账户数、贷款账户数与贷款逾期账户数三项银行业务类指标,其中贷款账户数对客户信用评分有非常重要的影响,充分证明了银行业务类应该被纳入到申请信用评分指标体系中来。从对模型评价的结果看,个人信用评分决策树模型有较高的预测准确度,但在评价低信用级别的用户时存在不足,这同时也是现今银行进行信用评分的难点,对这些存在还款风险的用户,是给予信用卡发放还是拒绝,需要抽取更多客户的信息或是与其他预测方法相结合进行进一步的分析。本文在最后总结了论文的一些简单成果和不足之处,并对我国消费信贷及以后这方面的研究进行了展望。