数据挖掘算法在银行客户细分中的应用(编辑修改稿)

数据挖掘算法在银行客户细分中的应用(编辑修改稿)内容摘要：

纯为了研究的需要，更主要是为商业决策提供真正有价值的信息，进而获得利润。 但所有企业面临的一个共同问题是：企业数据量非常大，而其中真正有价值的信息却很少，因此从大量的数据中经过深层分析，获得有利于商业运作、提高竞争力的信息，就像从矿石中淘金一样，数据挖掘也因此而得名。 （ .， 2020) 5 因此，数据挖掘可以描述为：按企业既定业务目标，对大量的企业数据进行探索和分析， 揭示隐藏的、未知的或验证已知的规律性，并进一步将其模型化的先进有效的方法。 可以这样概括： (1)指从数据（大型数据库或数据仓库）中提取隐含的、未知的、非平凡的及有潜在应用价值的信息或模式的高级处理过程； (2)模式：即知识，它给出了数据特性或数据之间的关系，是对数据所包含的信息更抽象的描述； (3)是一个过程，它利用一种或多种计算机学习技术，从数据库中的数据自动分析并提取知识，目的是确定数据的确趋势和模式。 数据挖掘涉及的学科领域和方法很多，有人工智能、数据统计、可视化、并行计算等，数据挖掘有多种分类方法： ，可分为分类模型发现、聚类、关联规则发现、序列分析、偏差分析、数据可视化等。 (Classification) 旨在生成一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。 既可以用此模型分析已有的数据，也可以用它来预测未来的数据。 (Clustering) 聚集是对记录分组，把相似的记录放在一个聚集里。 聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练集。 (Description and Visualization) 数据 可视化严格地讲不是一个单独的数据挖掘任务，它被用来支持其他挖掘任务。 可视化是采用图形、图表等易于理解的方式表达数据挖掘结果。 (Affinity grouping or Association Rules) 关联规则是寻找数据库中值的相关性，主要是寻找在同一个事件中出现的不同项的相关性，比如在一次购买活动中所买不同商品的相关性。 (Sequence Analysis) 序列模式分析同样也是试图找出数据之间的联系。 但它的侧重点在于分析数据之间前后 (因果 )关系，因此对数据往往要求引入时间 属性。 序列模式分析非常适于寻找事物的发生趋势或重复性模式。 (Deviation Analysis) 偏差分析是用来发现与正常情况不同的异常和变化，并进一步分析这种变化是否是有意的诈骗行为，还是正常的变化。 如果是异常行为，则提示预防措施：如果是正常的变化，那么就需要更新数据库记录。 ,可粗略地分为：机器学习方法、统计方法、神经网络方法、决策树、可视化、最近邻技术等。 ，可细分为归纳学习方法 (决策树、规则归纳等自、基于范例学习、遗传算法、进化策略等； 计方法中，可细分为：回归分析 (多元回归、自回归等 )、判别分析 (贝叶斯判别、费歇尔判别、非参数判别等 )、聚类分析 (系统聚类、动态聚类等 )、探索性分析 (主元分析法、相关分析法等 )等。 6 数据挖掘在客户关系管理中的应用途径 （ 1）客户的获取。 分类和聚类等挖掘方法可以把大量的客户分成不同的类（群体），适合于用来进行客户细分。 通过群体细分， CRM 用户可以更好地理解客户，发现群体客户的行为规律。 在行为分组完成后，还要进行客户理解、客户行为规律发现和客户组之间的交叉分析。 （ 2） 重点客户发现。 就是找出对企业具有 重要意义的客户，重点客户发现主要包括：发现有价值的潜在客户；发现有更多的消费需求的同一客户；发现更多使用的同一种产品或服务；保持客户的忠诚度。 根据 80/20（即 20%的客户贡献80%的销售额）以及开发新客户的费用是保留老客户费用的 5倍等营销原则，重点客户发现在客户关系管理中具有举足轻重的作用。 （ 3）交叉营销。 商家与其客户之间的商业关系是一种持续的不断发展的关系，通过不断地相互接触和交流，客户得到了更好更贴切的服务质量，商家则因为增加了销售量而获利。 交叉营销指向已购买商品的客户推荐其它产品和服务。 有几种挖掘 方法都可以应用于此问题，关联规则分析能够发现顾客倾向于关联购买哪些商品。 聚类分析能够发现对特定产品感兴趣的用户群，神经网络、回归等方法能够预测顾客购买该新产品的可能性。 （ 4）客户流失分析。 分类等技术能够判断具备哪些特性的客户群体最容易流失，建立客户流失预测模型。 从而帮助企业对有流失风险的顾客提前采取相应营销措施。 利用数据挖掘技术，可以通过挖掘大量的客户信息来构建预测模型，较准确地找出易流失客户群，并制定相应的方案，最大程度地保持住老客户。 （ 5）性能评估。 以客户所提供的市场反馈为基础，通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动地输入到数据仓库中，从而进行客户行为跟踪。 性能分析与客户行为分析和重点客户发现是相互交迭的过程，这样才能保证企业的客户关系管理能够达到既定的目标，建立良好的客户关系。 分类和聚类等挖掘方法可以把大量的客户分成不同的类（群体），适合于用来进行客户细分。 通过群体细分，企业可以更好地理解客户，发现群体客户的行为规律。 在行为分组完成后，还要进行客户理解、客户行为规律发现和客户组之间的交叉分析；同时对客户进行细分，为客户提供更多的个性化的服务，弄清客户流失原因，提前进行预防，减少企 业损失，为企业创造更多的利润。 3 数据挖掘方法在银行客户细分中的应用 数据挖掘的一般过程 （ 1）数据选择：从现有数据中，选择相关的数据确定哪些数据与本次数据分析相关的。 （ 2）数据预处理：对于选择出的数据，进行“清洗”工作，将数据转变为“干净”数据。 （ 3）数据转换：将“干净”数据转换成数据挖掘算法所需要的格式。 （ 4）数据挖掘：使用合适的数据挖掘算法完成数据分析。 （ 5）解释与评估：使用适当的可视化技术和知识表示技术将模式以合适的形式提供给用户，让用户对模型结果作出解释，同时能够评估模型的有效性。 7 客户分类指标的建立 商业银行个人客户常用的细分方法有： （ 1）按数据属性分类 用于商业银行个人客户细分的数据包括客户的基本属性数据、银行业务属性数据、资信属性数据等： A. 客户的基本属性数据。 个人客户基本属性数据用于描述个人客户的身份、职业、家庭成员、经济状况等方面的情况，将其划分为客户身份信息、职业信息、家庭成员信息、家庭基本经济信息等四部分。 个人客户身份信息包括：地区、姓名、性别、证件类型、证件号码、民族、出生日期、国籍、户口所在地、婚姻状况、文化程度、手机号、家庭电话、电予信箱、家庭地址、邮编、宅 电等。 职业信息包括：职业、工作单位、单位类型、单位性质、行政级别 (职务 )、单位电话、单位地址、技术职称等。 家庭成员信息包括：是否有配偶、配偶姓名、配偶证件名称、配偶证件号码、配偶联系电话、配偶工作单位、配偶月均收入、配偶地区号、子女姓名、子女证件名称、子女证件号码、子女联系电话、子女工作单位等。 基本经济信息包括：健康状况、供养人口、月收入、月供额、住宅状况、住宅入住时间、现住房建筑面积、现住房性质、纳税号、社会保险号、深市股东代码、沪市股东代码、证券保证金帐号、持卡数量、担保数量等。 数据。 银行业务属性数据主要是描述个人客户在商业银行进行业务的相关数据，分为资产数据、负债数据、银行卡数据、中间业务数据四类。 资产数据用于描述客户在银行的各项存款 (活期存款、通知存款、定期存单、定期一本通、存本取息、零存整取、定活二便等 )、投资 (记名国库券 )等数据。 负债数据用于描述客户在银行办理的各类贷款负债信息及为他人担保负债(或有负债 )信息，包括住房贷款、个人消费贷款等的余额、发生额等数据。 银行卡数据用于描述客户所拥有的银行借记卡、贷记卡的数目、卡号、卡内余额、卡消费余额、卡的各类标志等数据。 中间 业务数据用于描述客户在银行进行相关中间业务服务时产生的数据，包括基金的购买、本外币理财产品的购买、保险产品的购买等业务数据。 资信属性数据，主要是描述个人客户的信用情况，不仅包括在本银行的数据，还包括在其他银行以及社会其他地方的信用信息，如：本银行的黑名单信息、中国人民银行的黑名单信息、上海联合征信系统的信息等。 （ 2）按客户各类特征分类 ,如表 1 所示 : （环境细分，人口统计细分）：收入，工作年限，住房面积等； B. 行为因素的细分：购买行为与反应行为； C. 心理细分：生活方式细分 （活动、兴趣、评价），利益细分（寻求的利益）； 表 8 Tab1. Subdivision Correspondence with a variety of Factors 人口统计细分 行为细分 心理细分 生活方式细分 利益细分 维度特征 人口特征 行为特征 心理特征 心理特征 纬度内涵 各种外部特征 购买行为，反应行为 活动 兴趣 评价 寻求的利益 细分依据 人口 需求 行为 行为 行为 态度 心理 行为 利益 心理 行为 方法论 事前细分 事前细 分 事后细分 细分目标 了解市场结构其他方法的补充 产品定位、定价决策、客户关系管理 新产品引入策略，广告策略及其他各种营销策略 （数据来源：刘英姿等，客户细分方法研究综述 ） 客户数据的选择和准备 数据选择 从现有数据中，选择相关的数据确定哪些数据与本次数据分析相关的。 本文采用第二种分类方式，结合表 1的人口特征、行为特征和心理特征的维度，从客户各种特征的相对重要程度考虑，本文选取“人口特征”和“行为特征”中的“性别”，“年龄”，“年收入”，“信用信息是否列入黑名单”和“主要购买方式”这五 个重要程度较高的特征作为数据挖掘的五个参数变量，并选取客户这五个方面的数据。 数据预处理 对于选择出的数据，进行“清洗”工作，将数据转变为“干净”数据。 去除数据中的无关数据项、缺省数据项和重复数据项。 本文选取预处理后客户数据如表 2所示： 表 Date 特征分类 人口特征 行为特征 心理特征 客户编号 性别 年龄 年收入（ K） 信用信息是否 列入黑名单 主要购买方式 兴趣爱好 1 F 35 40 否 借记卡 羽毛球 2 F 55 89 否 现金 网球 3 M 25 39 否 网银 游泳 4 M 35 59 否 网银 上网 5 M 40 61 是 借记卡 乒乓球 6 M 45 45 否 现金 羽毛球 9 7 F 40 32 否 现金 网球 8 M 42 44 否 借记卡 网球 9 M 43 40 否 网银 羽毛球 10 F 38 60 否 借记卡 乒乓球 11 F 55 25 否 现金 网球 12 M 35 39 否 借记卡 网球 13 M 27 39 否 网银 网球 14 F 43 40 是 借记卡 羽毛球 15 F 41 52 否 借记卡 网球 16 M 43 58 是 现金 游泳 17 F 29 70 否 网银 羽毛球 18 F 39 61 是 借记卡 网球 19 M 55 52 否 现金 游泳 20 F 19 30 是 借记卡 网球 数据转换 将“干净”数据转换成数据挖掘算法所需要的格式。 对客户数据进行处理准换数据挖掘所需格式，选取 其中 “人口特征”和“行为特征”中的“性别”，“年龄”，“年收入”，“信用信息是否列入黑名单”和“主要购买方式”这五项作为变量，并 将非数值类的变量进行编码，性别特 征中“ F”编码为 1，“ M”编码为 0；信用信息是否列入黑名单特征中“是”编码为 1，“否”编码为 0；主要购买方式中“借记卡”编码为 1，“现金”编码为 2，“网银”编码为 3。 得出下列可直接用于数据挖掘的数据格式，如表 3所示： 表 of Date Mining 特征分类 人口特征 行为特征 客户编号 性别 年龄 年收入（ K） 信用信息是否 列入黑名单 主要购买方式 1 1 35 40 0 1 2 1 55 89 0 2 3 0 25 39 0 3 4 0 35 59 0 3 5 0 40 61 1 1 6 0 45 45 0 2 7 1 40 32 0 2 8 0 42 44 0 1 9 0 43 40 0 3 10 1 38 60 0 1 11 1 55 25 0 2 12 0 35 39 0 1 13 0 27 39 0 3 10 14 1 43 40 1 1 15 1 41 52 0 1 16 0 43 58 1 2 17 1 29 70 0 3 18 1 39 61 1 1 19 0 55 52 0 2 20 1 19 30 1 1 数据挖掘 数据挖掘使用的算法 对客户数据进行挖掘，需要是使用合适的数据挖掘算法完成数据分析。 为达到客户细分的目的，依据客户细分的要求和特点，本文采用聚类分析的方法进行数据挖掘。 聚集 (Clustering)，是对记录分组，把相似的记录放在一个聚集里。 聚集和分类的区别是聚集不依赖于预先定义好的类，不需要训练。