数据挖掘技术在银行客户细分中的应用

数据挖掘技术在银行客户细分中的应用

作者：颜鸿淋;田 江;武海婕;彭保平;谢 通;杨 武;俞 娇 来源：《价值工程》2010年第07期

摘要: 面对银行业中愈演愈烈的竞争,发展潜在客户以及保持现有客户显得至关重要。本文阐述了数据挖掘技术在银行客户细分中的具体应用,并对其有效性进行了探讨。

Abstract: Confronted growing intensive competition in the banking, it is vital to develop potential client base and keep existing client base. This paper described the actual application of data mining in banking customer segmentation, and also discussed its effectiveness. 关键词: 数据挖掘;客户细分;银行业

Key words: data mining;customer segmentation;banking

中图分类号:TP392 文献标识码:A文章编号:1006-4311(2010)07-0155-02 0引言

客户是银行竞争的焦点,特别是对银行贡献较大的优质客户,优质客户是银行的利润之源。一旦银行拥有了优质客户,就拥有了竞争优势。数据挖掘技术可以帮助银行管理部门了解现有的客户的价值、寻找目标客户、挖掘潜在客户、进行客户细分,为银行进行客户服务、市场营销的策划等提供决策支持。 1数据挖掘的概念

数据挖掘(Data Mining),又称为数据库中的知识发现(Knowledge Discovery in Database, KDD),就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。简单地说,数据挖掘就是从大量数据中提取或挖掘知识[1]。它是一门涉及面很广的交叉学科,包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。数据挖掘有着非常广泛的应用:针对银行客户关系管理和风险管理的数据挖掘;针对生物医学和DNA数据分析的数据挖掘;针对金融数据的挖掘;针对零售业的数据挖掘;针对电信业的数据挖掘等。

2数据挖掘的主要方法[2]

2.1 聚类分析聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程,它将一批数据依据它们的相似特征归类,使人们能够对数据进行概括性的理解。即根据实体的特征

龙源期刊网 http://www.qikan.com.cn

对其进行聚类或分类,进而发现数据集的整个空间分布规律和典型模式的方法。常用的聚类方法有K-mean, K-medoids方法、Ester等提出的基于R-树的数据聚焦法及发现聚合亲近关系和公共特征的算法等。

2.2 决策树决策树就是利用一系列规则划分,建立树状图,可用于分类和预测。即根据不同的特征,以树型结构表示分类或决策集合,进而产生规则和发现规律的方法。采用决策树方法进行空间数据挖掘的基本步骤如下:首先利用训练空间实体集生成测试函数;其次根据不同取值建立决策树的分支,并在每个分支子集中重复建立下层结点和分支,形成决策树;然后对决策树进行剪枝处理,把决策树转化为据以对新实体进行分类的规则。

决策树方法精确度比较高,结果容易理解,效率也比较高,因而比较常用。

2.3 统计学统计学是应用数学中最重要、最活跃的学科之一,侧重于应用研究随机现象本身的规律性来考虑资料的收集、整理、分析,从而找出相应随机变量的分布律或数字特征,尽可能做出较合理精确的推断。数据挖掘和统计学有相似的目标,但是数据挖掘还应用了其他领域的思想、工具和方法,比如信息科学、数据库技术和机器学习等。

2.4 神经网络即通过大量神经元构成的网络来适应非线性动态系统,并使其具有分布存储、联想记忆、大规模并行处理、自学习、自组织、自适应等功能的方法;在空间数据挖掘中可用来进行分类和聚类知识以及特征的挖掘。神经网络是模拟人的神经元功能,经过输入层,隐藏层,输出层等,对数据进行调整,计算,最后得到结果,用于分类和回归。

2.5 遗传算法这是一种模拟生物进化过程的算法,可对问题的解空间进行高效并行的全局搜索,能在搜索过程中自动获取和积累有关搜索空间的知识,并可通过自适应机制控制搜索过程以求得最优解。数据挖掘中的许多问题,如分类、聚类、预测等知识的获取,均可以用遗传算法来求解。这种方法曾被应用于遥感影像数据中的特征发现。

2.6 关联规则挖掘在空间数据库(数据仓库)中搜索和挖掘空间对象(及其属性)之间的关联关系的方法。最著名的关联规则挖掘算法是Agrawal提出的Apriori算法;此外还有程继华等提出的多层次关联规则的挖掘算法、许龙飞等提出的广义关联规则模型挖掘方法等[3]。关联规则是描述数据之间存在关系的规则。一般分为两个步骤:①求出大数据项集。②用大数据项集产生关联规则。

3数据挖掘技术在银行客户细分中的应用

客户细分是指根据客户属性划分的客户集合。同一类型的客户拥有某些相似的属性,如背景资料、盈利能力、消费偏好等。

在银行业的经营学里有个普遍的“二八定律”,即银行80%的利润来自20%的客户,如何科学甄别并把握好这20%的客户就成为银行成功的关键。很多发达国家的银行都把经营的重点锁定到这20%的重点客户身上。而数据挖掘技术在银行业的客户细分中起着很重要的作用。

龙源期刊网 http://www.qikan.com.cn

数据挖掘是银行业目前非常关注的焦点之一。通过营业网点、客户服务中心、互联网等不同渠道,银行每天都会积累大量的信息,如何发挥信息资源优势将是银行运营是否成功的关键因素。以中国工商银行的发展规划为例,未来的银行服务要由今天柜台式的被动服务转向主动服务,根据不同年龄、不同资历、不同职业客户的特殊需求提供不同服务,在日趋激烈的国际化竞争中争取竞争优势。主动服务要求银行必须及时掌握客户的消费倾向,这就必须具备完整的客户关系管理机制。在这方面,国外竞争对手发展较早,已经具备了高服务质量和高服务水平,领先于国内银行业。

银行业的竞争将集中在大量客户数据的收集和分析。银行需要成功地通过各种渠道收集客户数据,精确分析客户的愿望,为客户提供个性化服务。 数据挖掘技术在客户细分中主要体现在:

3.1 挖掘目标客户。鉴于任何一家银行的人力资源和资金都是有限的,因此也不可能满足所有客户的需要。银行应首先根据自己的情况找准市场定位,挖掘目标客户,这样才会更有效率和针对性。经过处理的拥有庞大客户信息的顾客互动模块就是为满足挖掘目标客户的需要而进行设置服务的。

3.2 满足客户金融需要。满足客户金融需要,银行要经常在与客户沟通的基础上,给客户提供满意的产品服务,以满足客户的需要,提供金融市场公用信息的公用信息模块和提供银行具体产品信息的企业产品信息模块为满足这一功能提供着支持与服务。[4]

3.3 提高银行客户管理的精确性。只有当银行客户管理的水平上升到一定精确性,银行客户管理才能真正赢得效率和效益的双重目标。能否有效提高客户管理的精确性是我国银行缩短与发达国家银行客户管理系统的主要衡量目标。数据存储模块和数据分析模块在提高银行客户管理精确性方面发挥着重要的技术支持作用。

3.4 提高客户忠诚度。激烈的市场竞争使银行开发新客户的成本远高于维系老客户的成本,保持一位老客户的成本仅为吸引一新客户成本的五分之一,忠诚的老客户是银行稳定的利润来源。事实上,银行的工作管理其实都是在为提高客户忠诚度争取和留住目标客户这一终极目标而进行着服务。[5]

4数据挖掘在银行客户细分中的作用

银行数据挖掘是从大型数据库中发现并提取所需信息的过程,目的是帮助银行分析人员寻找各种数据之间的关联与规律,从而提供有效的决策支持。

基于数据挖掘的银行客户细分就是银行利用数据挖掘技术,通过有效充分的数据挖掘,将银行客户资料作不同角度的分析。从中对客户进行定位分类,明确客户的消费倾向与消费模式,预测客户的风险性与利润性,以此作为对客户提供服务和产品营销的辅助手段。通过数据挖掘,更

龙源期刊网 http://www.qikan.com.cn

能准确把握客户的消费偏好和行为模式,更能准确制定出高效科学的商业策略,进而赢得银行效益的最优化。 5结束语

数据挖掘在银行业中有着广泛的应用,尤其在当今国内正处在蓬勃发展的阶段,数据挖掘在银行业中的研究更是一个非常广泛的课题,本文仅对其中的客户细分情况进行分析与研究。银行通过应用数据挖掘技术,从科学的银行经营管理角度出发,从大量、不完全、模糊的和随机的数据中提取出数据之间的关系,挖掘出隐含在其中的、事先不了解的但对于银行的经营、管理和发展又非常有用的信息,实现从一个从数据估测到信息支持再到知识预测的质的提高,从而对银行的决策提供有力的数据支持。所以,数据挖掘技术在改善银行经营决策及商务活动的成效、提高银行的竞争力方面具有重大意义。 参考文献:

[1]范明,孟小峰等译.数据挖掘:概念与技术[M].北京:机械工业出版社,2001. [2]张银奎等译.数据挖掘原理[M].北京:机械工业出版社,2003.

[3]张新长,马林兵等.地理信息系统数据库[M].科学出版社,2005年2月. [4] http://www.studa.net/bank/080923/09021171.html,2010-3-3. [5] (美) 菲利浦·科特勒.新千年市场营销发展趋势[J].销售市场,2001.