论文部分内容阅读
[摘 要] 随着金融市场竞争的加剧和消费者的需求日趋个性化，如何在快速多变的市场中保持老客户与争取新客户成为关乎各类银行成长和发展的关键，以客户为中心的客户关系管理（CRM）思想就在这样的一个环境和变化中逐渐为银行所重视与推崇，在日常管理中逐渐成为注目的焦点。然而，如何成功地实施一个CRM项目，关键在于如何对客户与银行交互过程中的各种数据进行收集、分析，挖掘出隐含在数据中的有用信息，然后用分析所得的知识做出决策，这需要先进的技术和工具的支持，数据挖掘技术的出现为银行CRM的实施提供了良好的支持。本文主要阐述了银行客户关系管理中数据挖掘技术的应用问题。
[关键词] 数据挖掘 客户关系管理
客户关系管理（CRM——Customer Relationship Management）的首创者Gartner Group认为，CRM是迄今为止规模最大的IT概念，它将看待客户的概念从独立分散的单个部门提升到了企业的层面，虽然与每个客户的具体交互行为是由每个部门来完成的，但是却是企业对客户全面的责任。CRM可以为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，最大化客户的收益率。
CRM的核心管理思想就是“客户”是企业最重要的资源之一，企业必须由过去的“产品”导向向“客户”导向转变，对企业与客户之间发生的各种关系进行全面的管理。银行与客户之间发生的关系，不仅包括单纯的各类金融产品销售过程所发生的业务关系，如合同签订、定单处理、收款等，而且包括在金融营销及售后服务过程中发生的各种关系，如在金融产品市场活动、市场推广过程中与潜在客户发生的关系，客户服务人员对客户提供关怀活动、服务活动的售后服务关系等。对银行与客户之间可能发生的各种关系进行全面管理，将会显著提升银行营销能力，降低营销成本，控制营销过程中可能导致客户不满的各种行为，不断改进对客户的服务水平，提高客户的忠诚度，从而为银行带来更多利润。
然而许多银行用了很大力气去积累有关客户的信息，但是并不能有效地进行客户关系管理，因为信息只是一些原材料，经过组织、分析并理解后，才可以用来构建成有关客户的知识。这些知识运用在银行的市场、销售、客户服务等各个领域，并让这些知识发挥出作用，以提升银行客户的满意度和忠诚度，从而降低生产和销售成本，缩短销售周期，扩大市场份额，提高银行的效率和效益。然而，银行如何管理和分析大量、复杂的客户信息，从中找出对自身管理决策有价值的信息和知识，则需要有先进的技术和工具的支持，数据挖掘等新兴技术的出现，为银行CRM的实现提供了良好的支持。
从技术上定义，数据挖掘(Data Mining，简称为DM)是一种半自动地从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取出隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
如果从银行角度说，数据挖掘是一种新的客户信息处理技术，其主要特点是对银行数据库中的大量业务数据进行抽取、转换、分析和其他模式处理，从中提取辅助银行决策的关键性数据。因此，数据挖掘也可被描述为：是提取有用信息的数据产生过程，是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未来发生行为做出结果预测，为银行经营决策、市场策划提供依据的过程。
在银行CRM中,数据挖掘应用广泛。比如金融市场分析和预测、账户分类、信用评估等。这些金融业务都需要收集和处理大量数据,通过人工或使用小型软件进行分析预测十分困难,而数据挖掘可以通过对已有数据的处理，找到数据对象的特征和对象之间的关系,并可观察到金融市场的变化趋势,然后利用挖掘出的知识进行合理的分析预测,进而发现潜在客户及现有客户的金融和商业兴趣等。数据挖掘在银行CRM中的应用模型如下图所示。
在对CRM的广泛理解中,最简单的含义就是:管理所有的与客户的相互作用。在实践中,这需要在客户关系的各个阶段使用与客户相关的信息来预测与客户的相互作用。我们将客户关系的各个阶段定义为客户生命周期。客户生命周期包括四个阶段:一是获得客户,二是提高客户的价值,三是保持上等效益客户,四是防止客户流失。数据挖掘技术在CRM的不同生命周期具有不同的作用。
一、利用聚类分析法进行客户细分,获得客户
客户细分是银行有效运营、营销、服务的基础，是把大量的客户分成不同类型，每个类型里的客户拥有相似的属性。银行通过客户细分，针对每类的客户使用不同的营销方式或提供不同的服务,可使银行以最小的投入获得最大的回报。
聚类分析技术是通过无指导学习，按类相似性最大化原则，自动对数据分类。对于客户关系管理系统中存在的大量数据，管理人员常常希望得到有意义的提示以做出正确的客户分类判断，此时使用聚类分析结果，可为管理者提供多个不同的相对较大的类划分，然后再进行精确划分。例如，管理人员要根据客户的价值细分客户，由于客户的价值对每个银行来说衡量的标准不同，因此可先对银行现有的客户进行聚类，利用聚类结果给客户赋予类标记，类标记有四种，即高价值客户、成长性客户、普通客户,以及潜在客户，并描述出每类客户特征。通过聚类分析，银行往往可以发现客户的群体行为，了解客户的共性，从而提供针对性的客户服务，提高银行服务成功率。还可以通过分类或聚类分析对客户进行群分后，再由模式分析预测哪些人可能成为其客户，以帮助管理人员找到正确的对象。例如一家银行利用现有的客户邮件地址数据库给潜在客户发送网络银行产品支付宝的降价信息。不加区分的给每名客户都发送促销宣传册显然是一种很大的浪费，而有针对性的给有最大购买可能的顾客发送产品广告，才是一种高效节俭的营销策略。这时可以通过聚类分析结果，找到潜在客户，有针对性的客户服务才可能是成功的服务。
二、利用关联分析法进行交叉营销，提高客户价值
关联分析就是给定一组或一个记录集合，通过分析记录集合，推导出其相关性，目的是为了挖掘出隐含在数据间的相互关系，常用的关联分析有简单关联﹑因果关联和时序关联。交叉营销则是指银行通过和客户交流，向现有客户销售新的产品或服务的过程。它以“双赢”为原则，即对客户来说，因得到更多、更好满足需求的服务而受益；对银行来说，因营业额的增长而获益。银行利用数据挖掘技术中的关联分析法可以从客户过去发生的交易数据中寻找影响客户交易行为的因素，并建立预测模型对客户将来可能发生的交易行为进行预测，分析哪些客户最有可能对银行的服务感兴趣，会对哪些金融产品感兴趣，哪些理财产品或服务通常会一起发生在同一次交易里，按什么样的先后顺序发生，从而实施有效的交叉营销，提高银行的客户价值。
用数据挖掘技术对交叉销售做分析时应包括三个步骤。一是分析现有客户的购买行为和消费习惯数据，然后用数据挖掘的一些算法对不同的销售方式的个体行为进行建模；二是用建立的预测模型对客户将来的消费行为进行预测分析，对每一种销售方式进行评价；三是用建立的分析模型对新的客户数据进行分析，以决定向客户提供哪一种交叉销售服务最合适。
三、利用分类法有效保持客户，提高客户忠诚度
数据分类是通过在训练集上针对某一属性进行类划分，建立描述并区分数据类或概念的模型，再使用该模型对数据类集进行划分。银行以客户为中心并非是指所有的客户都同等重要，往往一个公司80%的盈利是由20%的客户产生，因此识别银行的价值客户是实现银行CRM的关键。尤其随着各个行业竞争的加剧，银行获得新客户的成本正在不断的上升，因此保持原有客户对所有企业来说就显得越来越重要，而且往往失去的客户要比新得到的客户贡献更多的利润。来自北美和欧洲的权威机构提供的统计数据表明，在全球500强企业中，它们在五年内大约流失50%的客户。企业争取一个新客户的成本是保留一个老客户的7-10倍，所以可以看出企业最关心的话题是企业如何才能留住客户，增加客户对企业的忠诚度。
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，较准确的找出易流失的客户群，并指定相应的方案，最大程度的保持住老客户。
通过研究，认为数据挖掘技术中的决策树技术能够较好的应用在这一方面。决策树是在一系列决策基础上做出预测的决策模型。树的每个分支都是一个分类问题，即对某些重要问题做出预测，相似的记录会落在分支的同侧，于是原始数据便被分割成树的叶子。从决策树中得到的预测分割同时还带有对它本身进行定义的一些特征的描述。通过决策树算法在挖掘特定数据的基础上给出预测模型，由此按计算出的预测流失率细分客户群体，确定客户的交易习惯、交易金额和交易频率，分析客户对某个产品的忠诚度、持久性等,并为他们提供个性化定制服务,以提高客户忠诚度。
四、利用孤立点分析法发现客户异常行为,防止客户流失
孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下，在数据被导入数据仓库前，应该经过数据清理，以消除不一致的情况。但是在实际应用中，往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据，我们无法按照一般可行的分类规则对其进行划分，也无法通过聚类的方法将其与其他数据建立有效的联系。但是这些数据往往包含着实际应用价值。客户流失是银行难以控制的常见问题，流失现象会对银行带来很多不利影响。在客户关系管理系统中，通过利用孤立点分析法可发现客户的异常行为，从而使银行避免不必要的客户流失。比如信用卡推广中，我们为每位客户按月消费金额或月消费次数设定一个阈值，客户的日常行为都应该在此阈值之中，如果某客户某月的消费金额或消费次数低于该阈值，表明该客户出现了异常行为，有可能变为流失客户。此时，信用卡中心管理人员应及时分析原因，采取一定的措施挽留住该客户。
为了使数据挖掘技术更好地在银行CRM系统中发挥作用，在实施过程中各银行必须具备以下关键条件。
1.做好基础数据库的建设。银行实现数据挖掘的前提和基础是首先建立一个能够全面组织和管理来自银行内部和外部数据的平台，拥有大量、真实的数据积累。否则，数据挖掘将无从进行。实践表明，数据挖掘技术应用的成功与失败，是否能给银行带来经济效益，数据准备工作起到了至关重要的作用。
2.做好人员的培训工作。在数据挖掘应用过程的多个环节中，人的主观辨识和控制是应用成败的关键，这就对系统使用人员提出了很高的要求。如果没有具备相应素质的使用和维护人员，必将导致分析系统与现实分离，无法达到预期效果。因此，对于银行来讲，要想使得多年积累下来的数据资料和由数据挖掘得来的知识结合利用，就必须培养和引进数据挖掘专业人才，通过他们来将数据挖掘提升为银行的核心竞争力。
3.数据挖掘必须由来自不同领域的人员共同参与。包括金融行业专家、数据管理员、数据分析人员、业务分析人员、数据挖掘专家等。人们通常认为只要有了一个数据挖掘工具，就能自动挖掘出所需要的信息，就能更好地进行银行运作，其实这是一个误区，要想真正做好数据挖掘，数据挖掘工具的选择只是其中的一个方面，同时还需要对银行业务的深入了解和数据分析经验。银行要想在未来的市场中具有竞争力，必须有一些数据挖掘方面的专家，专门从事数据分析和数据挖掘工作，并同其他部门有效协调,把挖掘出来的信息供管理者决策参考。
参考文献:
[1]杨会志:数据挖掘技术的主要方法及其发展方向,《河北科技大学学报》,2000
[2]张阐军:基于数据挖掘的CRM系统关键技术研究及其应用,硕士论文.2005
[3]姜永波 孙向前:基于数据挖掘的客户关系管理,经济管理论坛.2005(9)
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
[关键词] 数据挖掘 客户关系管理
客户关系管理（CRM——Customer Relationship Management）的首创者Gartner Group认为，CRM是迄今为止规模最大的IT概念，它将看待客户的概念从独立分散的单个部门提升到了企业的层面，虽然与每个客户的具体交互行为是由每个部门来完成的，但是却是企业对客户全面的责任。CRM可以为企业提供全方位的管理视角，赋予企业更完善的客户交流能力，最大化客户的收益率。
CRM的核心管理思想就是“客户”是企业最重要的资源之一，企业必须由过去的“产品”导向向“客户”导向转变，对企业与客户之间发生的各种关系进行全面的管理。银行与客户之间发生的关系，不仅包括单纯的各类金融产品销售过程所发生的业务关系，如合同签订、定单处理、收款等，而且包括在金融营销及售后服务过程中发生的各种关系，如在金融产品市场活动、市场推广过程中与潜在客户发生的关系，客户服务人员对客户提供关怀活动、服务活动的售后服务关系等。对银行与客户之间可能发生的各种关系进行全面管理，将会显著提升银行营销能力，降低营销成本，控制营销过程中可能导致客户不满的各种行为，不断改进对客户的服务水平，提高客户的忠诚度，从而为银行带来更多利润。
然而许多银行用了很大力气去积累有关客户的信息，但是并不能有效地进行客户关系管理，因为信息只是一些原材料，经过组织、分析并理解后，才可以用来构建成有关客户的知识。这些知识运用在银行的市场、销售、客户服务等各个领域，并让这些知识发挥出作用，以提升银行客户的满意度和忠诚度，从而降低生产和销售成本，缩短销售周期，扩大市场份额，提高银行的效率和效益。然而，银行如何管理和分析大量、复杂的客户信息，从中找出对自身管理决策有价值的信息和知识，则需要有先进的技术和工具的支持，数据挖掘等新兴技术的出现，为银行CRM的实现提供了良好的支持。
从技术上定义，数据挖掘(Data Mining，简称为DM)是一种半自动地从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取出隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
如果从银行角度说，数据挖掘是一种新的客户信息处理技术，其主要特点是对银行数据库中的大量业务数据进行抽取、转换、分析和其他模式处理，从中提取辅助银行决策的关键性数据。因此，数据挖掘也可被描述为：是提取有用信息的数据产生过程，是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并能够根据已有的信息对未来发生行为做出结果预测，为银行经营决策、市场策划提供依据的过程。
在银行CRM中,数据挖掘应用广泛。比如金融市场分析和预测、账户分类、信用评估等。这些金融业务都需要收集和处理大量数据,通过人工或使用小型软件进行分析预测十分困难,而数据挖掘可以通过对已有数据的处理，找到数据对象的特征和对象之间的关系,并可观察到金融市场的变化趋势,然后利用挖掘出的知识进行合理的分析预测,进而发现潜在客户及现有客户的金融和商业兴趣等。数据挖掘在银行CRM中的应用模型如下图所示。
在对CRM的广泛理解中,最简单的含义就是:管理所有的与客户的相互作用。在实践中,这需要在客户关系的各个阶段使用与客户相关的信息来预测与客户的相互作用。我们将客户关系的各个阶段定义为客户生命周期。客户生命周期包括四个阶段:一是获得客户,二是提高客户的价值,三是保持上等效益客户,四是防止客户流失。数据挖掘技术在CRM的不同生命周期具有不同的作用。
一、利用聚类分析法进行客户细分,获得客户
客户细分是银行有效运营、营销、服务的基础，是把大量的客户分成不同类型，每个类型里的客户拥有相似的属性。银行通过客户细分，针对每类的客户使用不同的营销方式或提供不同的服务,可使银行以最小的投入获得最大的回报。
聚类分析技术是通过无指导学习，按类相似性最大化原则，自动对数据分类。对于客户关系管理系统中存在的大量数据，管理人员常常希望得到有意义的提示以做出正确的客户分类判断，此时使用聚类分析结果，可为管理者提供多个不同的相对较大的类划分，然后再进行精确划分。例如，管理人员要根据客户的价值细分客户，由于客户的价值对每个银行来说衡量的标准不同，因此可先对银行现有的客户进行聚类，利用聚类结果给客户赋予类标记，类标记有四种，即高价值客户、成长性客户、普通客户,以及潜在客户，并描述出每类客户特征。通过聚类分析，银行往往可以发现客户的群体行为，了解客户的共性，从而提供针对性的客户服务，提高银行服务成功率。还可以通过分类或聚类分析对客户进行群分后，再由模式分析预测哪些人可能成为其客户，以帮助管理人员找到正确的对象。例如一家银行利用现有的客户邮件地址数据库给潜在客户发送网络银行产品支付宝的降价信息。不加区分的给每名客户都发送促销宣传册显然是一种很大的浪费，而有针对性的给有最大购买可能的顾客发送产品广告，才是一种高效节俭的营销策略。这时可以通过聚类分析结果，找到潜在客户，有针对性的客户服务才可能是成功的服务。
二、利用关联分析法进行交叉营销，提高客户价值
关联分析就是给定一组或一个记录集合，通过分析记录集合，推导出其相关性，目的是为了挖掘出隐含在数据间的相互关系，常用的关联分析有简单关联﹑因果关联和时序关联。交叉营销则是指银行通过和客户交流，向现有客户销售新的产品或服务的过程。它以“双赢”为原则，即对客户来说，因得到更多、更好满足需求的服务而受益；对银行来说，因营业额的增长而获益。银行利用数据挖掘技术中的关联分析法可以从客户过去发生的交易数据中寻找影响客户交易行为的因素，并建立预测模型对客户将来可能发生的交易行为进行预测，分析哪些客户最有可能对银行的服务感兴趣，会对哪些金融产品感兴趣，哪些理财产品或服务通常会一起发生在同一次交易里，按什么样的先后顺序发生，从而实施有效的交叉营销，提高银行的客户价值。
用数据挖掘技术对交叉销售做分析时应包括三个步骤。一是分析现有客户的购买行为和消费习惯数据，然后用数据挖掘的一些算法对不同的销售方式的个体行为进行建模；二是用建立的预测模型对客户将来的消费行为进行预测分析，对每一种销售方式进行评价；三是用建立的分析模型对新的客户数据进行分析，以决定向客户提供哪一种交叉销售服务最合适。
三、利用分类法有效保持客户，提高客户忠诚度
数据分类是通过在训练集上针对某一属性进行类划分，建立描述并区分数据类或概念的模型，再使用该模型对数据类集进行划分。银行以客户为中心并非是指所有的客户都同等重要，往往一个公司80%的盈利是由20%的客户产生，因此识别银行的价值客户是实现银行CRM的关键。尤其随着各个行业竞争的加剧，银行获得新客户的成本正在不断的上升，因此保持原有客户对所有企业来说就显得越来越重要，而且往往失去的客户要比新得到的客户贡献更多的利润。来自北美和欧洲的权威机构提供的统计数据表明，在全球500强企业中，它们在五年内大约流失50%的客户。企业争取一个新客户的成本是保留一个老客户的7-10倍，所以可以看出企业最关心的话题是企业如何才能留住客户，增加客户对企业的忠诚度。
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，较准确的找出易流失的客户群，并指定相应的方案，最大程度的保持住老客户。
通过研究，认为数据挖掘技术中的决策树技术能够较好的应用在这一方面。决策树是在一系列决策基础上做出预测的决策模型。树的每个分支都是一个分类问题，即对某些重要问题做出预测，相似的记录会落在分支的同侧，于是原始数据便被分割成树的叶子。从决策树中得到的预测分割同时还带有对它本身进行定义的一些特征的描述。通过决策树算法在挖掘特定数据的基础上给出预测模型，由此按计算出的预测流失率细分客户群体，确定客户的交易习惯、交易金额和交易频率，分析客户对某个产品的忠诚度、持久性等,并为他们提供个性化定制服务,以提高客户忠诚度。
四、利用孤立点分析法发现客户异常行为,防止客户流失
孤立点是数据集中与一般数据模型不相符合的那些数据。一般情况下，在数据被导入数据仓库前，应该经过数据清理，以消除不一致的情况。但是在实际应用中，往往会发现一些客观存在的、非操作人员的人为因素而导致的异常数据。对于这些异常数据，我们无法按照一般可行的分类规则对其进行划分，也无法通过聚类的方法将其与其他数据建立有效的联系。但是这些数据往往包含着实际应用价值。客户流失是银行难以控制的常见问题，流失现象会对银行带来很多不利影响。在客户关系管理系统中，通过利用孤立点分析法可发现客户的异常行为，从而使银行避免不必要的客户流失。比如信用卡推广中，我们为每位客户按月消费金额或月消费次数设定一个阈值，客户的日常行为都应该在此阈值之中，如果某客户某月的消费金额或消费次数低于该阈值，表明该客户出现了异常行为，有可能变为流失客户。此时，信用卡中心管理人员应及时分析原因，采取一定的措施挽留住该客户。
为了使数据挖掘技术更好地在银行CRM系统中发挥作用，在实施过程中各银行必须具备以下关键条件。
1.做好基础数据库的建设。银行实现数据挖掘的前提和基础是首先建立一个能够全面组织和管理来自银行内部和外部数据的平台，拥有大量、真实的数据积累。否则，数据挖掘将无从进行。实践表明，数据挖掘技术应用的成功与失败，是否能给银行带来经济效益，数据准备工作起到了至关重要的作用。
2.做好人员的培训工作。在数据挖掘应用过程的多个环节中，人的主观辨识和控制是应用成败的关键，这就对系统使用人员提出了很高的要求。如果没有具备相应素质的使用和维护人员，必将导致分析系统与现实分离，无法达到预期效果。因此，对于银行来讲，要想使得多年积累下来的数据资料和由数据挖掘得来的知识结合利用，就必须培养和引进数据挖掘专业人才，通过他们来将数据挖掘提升为银行的核心竞争力。
3.数据挖掘必须由来自不同领域的人员共同参与。包括金融行业专家、数据管理员、数据分析人员、业务分析人员、数据挖掘专家等。人们通常认为只要有了一个数据挖掘工具，就能自动挖掘出所需要的信息，就能更好地进行银行运作，其实这是一个误区，要想真正做好数据挖掘，数据挖掘工具的选择只是其中的一个方面，同时还需要对银行业务的深入了解和数据分析经验。银行要想在未来的市场中具有竞争力，必须有一些数据挖掘方面的专家，专门从事数据分析和数据挖掘工作，并同其他部门有效协调,把挖掘出来的信息供管理者决策参考。
参考文献:
[1]杨会志:数据挖掘技术的主要方法及其发展方向,《河北科技大学学报》,2000
[2]张阐军:基于数据挖掘的CRM系统关键技术研究及其应用,硕士论文.2005
[3]姜永波 孙向前:基于数据挖掘的客户关系管理,经济管理论坛.2005(9)
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文