论文部分内容阅读
证券市场由卖方市场转向买方市场之后，证券公司的渠道优势已经不复存在，利润空间越来越小，客户关系管理无疑成为券商取得竞争优势的落脚点。以往的一刀切式的营销手段已经不再适用，如何将有限的人力、物力和财力分配到最有价值的客户身上，有的放矢进行营销，是取得更高投资回报率的重要保证，是当前证券公司急需解决的一个重要问题。因此，如何更好的进行客户细分成为了重要的研究课题。
本文在分析客户细分的理论及在证券领域的应用现状基础上，从证券公司经纪业务特点出发，基于对证券公司数据结构和数据特点的具体研究的基础上，提出了以佣金收入、利息收入、资金净流入等为细分指标的多维细分模型；阐述了聚类分析中的K-means方法和群智能优化中的粒子群算法(PSO：Particle Swarm Optimization)的相关理论，引入有效性指标(SD)这一聚类质量评价方法，运用PSO和SD针对K-means的两大缺陷提出了一种结合的聚类算法，并通过Java编程实现这一结合算法。
在实证分析中，使用了上海某证券公司一个营业部的客户交易数据。通过对数据库中数据细致地分析和整理，计算出客户细分模型中的各个指标，并将数据变换和标准化成适合挖掘的形式。将结合的聚类算法应用于细分模型进行聚类，对聚类出的客户群进行详细分析，并进行营销策略的制定。