我们熟悉支付宝芝麻信用点，它是通过收购个人用户信息，经过处理，计算用户的信用评分，当然代表较高的信用评分越高。

  当然，这些信息系统也记录下您所有的下落，即所谓的“数据”。这些数据的存储，清理和处理为客户的信用评级提供了一个健全丰富的信息来源。 基于此，银行分析和计算大数据技术，准确评估客户的信用。

银行客户信用评分数据从银行产生的内部数据或外部数据得出，如下

​

在本文中我们将从使用R：

对可视化银行客户的信用的人口属性进行som聚类并且进行可视化

通常，与信用等级相关的因素包含客户的学历、工资、年龄、额度使用情况、现金提取次数、还款时间等。

现在使用Kohonen方法训练SOM

som_grid <- somgrid(xdim = 10, ydim=10, topo="hexagonal")  

查看训练过程的聚类距离

plot(som_model, type = "changes")

​

首先对聚类结果的效果进行可视化

不同聚类类别的节点数目

​

节点质量

​

近邻距离

​

​

从训练集中绘制性别变量的原始比例热图：

​

显示针对不同聚类大小的k均值的WCSS度量。

可以作为理想数量聚类的“粗略”指标
​

从结果中我们可以看到将数据划分成不同类别后得到的组间距离。

然后我们将数据划分成6个类别，然后查看数据的聚类情况

在网格上形成群集

为每个群集显示不同颜色的地图​

通过对银行客户的信用评分的聚类，我们可以将客户划分成不同的类别，对银行的经营效益有着重要的作用，信用评分模型应用效果，很大程度上也取决于银行的内部管理及信贷政策。技术和管理相结合，双管齐下，一定是控制客户信用风险的最优方案。