CRM系統:數據挖掘在銀行C R M 管理中的應用研究

[摘 要] 人類科學技術水平的提高，引起了世界的兩大主要變化，首先是信息、物資的流動速度加快，無論是消費者還是 生產者、經營者都能更快地得到有效信息，適時調整自己的習慣和行為。再次是計算機等高科技技術的發展使生產能力極大提 高，超越了人們的基本需求水平，市場逐漸由賣方市場轉變為買方市場，市場競爭也日益激烈。因此，隨著金融市場競爭的加 劇和消費者的需求日趨個性化，如何在快速多變的市場中保持老客戶與爭取新客戶成為關乎各類銀行成長和發展的關鍵,以客 戶為中心的客戶關系管理(CRM)思想就在這樣的一個環境和變化中逐漸為銀行所重視與推崇，在日常管理中逐漸成為注目的焦點。 然而如何從大量龐雜的客戶信息中提取出隱藏在其中有價值的信息則需要有先進的技術和工具的支持，數據挖掘技術的出現為 銀行CRM的實施提供了良好的支持。本文主要闡述了銀行客戶關系管理中數據挖掘技術的應用問題。 [關鍵詞] 數據挖掘 客戶關系管理 (CRM) 客戶關系管理（CRM）最早由Gartner Group提出，所謂的CRM 就是為企業提供全方位的管理視角，賦予企業更完善的客戶交流 能力，最大化客戶的收益率。 在人類社會從“產品”導向時代發展為“客戶”導向時代的 今天,客戶的選擇決定著一個企業的命運。CRM 的核心管理思想 就是“客戶”是企業最重要的資源之一，企業必須由過去的 “產 品”導向向“客戶”導向轉變，對企業與客戶之間發生的各種關 系進行全面的管理。銀行與客戶之間發生的關系,不僅包括單純 的各類金融產品銷售過程所發生的業務關系,如合同簽訂、定單 處理、發貨、收款等，而且包括在金融營銷及售后服務過程中發 生的各種關系,如在金融產品市場活動、市場推廣過程中與潛在 客戶發生的關系:在與目標客戶接觸過程中,內部銷售人員的行 為、各項活動及其與客戶接觸全過程所發生的關系；還包括售后 服務過程中,客戶服務人員對客戶提供關懷活動、各種服務活動、 服務內容、服務效果的記錄等,這也是銀行與客戶的售后服務關 系。對銀行與客戶間可能發生的各種關系進行全面管理,將會顯 著提升銀行營銷能力,降低營銷成本,控制營銷過程中可能導致客 戶抱怨的各種行為,不斷改進對客戶的服務水平，提高客戶的忠 誠度，從而為銀行帶來更多利潤。 然而許多銀行用了很大力氣去積累有關客戶的信息,但是并 不能有效地進行客戶關系管理,因為信息只是一些原材料,經過組 織、分析并理解后,才可以用來構建成有關客戶的知識。這些知 識運用在銀行的市場、銷售、客戶服務等各個領域,并讓這些知 識發揮出杠桿作用,以提升銀行客戶的滿意度和忠誠度,從而降低 生產和銷售成本,縮短銷售周期,擴大市場份額,提高銀行的效率 和效益。客戶知識管理是通過一組解決方案的集合尋找和識別與 問題有關的關鍵性信息,并將這些信息進行提取,形成對某一問題 的專門知識,用知識指導決策并付諸行動,再將該行動轉化為利 潤。因此,客戶知識管理是客戶關系管理的本質。然而，銀行如 何管理和分析大量、龐雜的客戶信息，從中找出對自身管理決策 有價值的信息和知識則需要有先進的技術和工具的支持，數據挖 掘等新興技術的出現，為銀行CRM 的實現提供了良好的支持。 數據挖掘(Data mining,DM),又稱數據庫中的知識發現( Knowledge discovery in database,KDD),是指從存放在數據庫、數 據倉庫或其他信息庫中的大量的、不完全的、有噪聲的、模糊的、 隨機的實際應用數據中自動地發現相關模式、提取有潛在價值的 數據挖掘在銀行C R M 管理中的應用研究 田小丹 廣東金融學院工商管理系 [摘 要] 人類科學技術水平的提高，引起了世界的兩大主要變化，首先是信息、物資的流動速度加快，無論是消費者還是 生產者、經營者都能更快地得到有效信息，適時調整自己的習慣和行為。再次是計算機等高科技技術的發展使生產能力極大提 高，超越了人們的基本需求水平，市場逐漸由賣方市場轉變為買方市場，市場競爭也日益激烈。因此，隨著金融市場競爭的加 劇和消費者的需求日趨個性化，如何在快速多變的市場中保持老客戶與爭取新客戶成為關乎各類銀行成長和發展的關鍵,以客 戶為中心的客戶關系管理(CRM)思想就在這樣的一個環境和變化中逐漸為銀行所重視與推崇，在日常管理中逐漸成為注目的焦點。 然而如何從大量龐雜的客戶信息中提取出隱藏在其中有價值的信息則需要有先進的技術和工具的支持，數據挖掘技術的出現為 銀行CRM的實施提供了良好的支持。本文主要闡述了銀行客戶關系管理中數據挖掘技術的應用問題。 [關鍵詞] 數據挖掘 客戶關系管理 (CRM) 信息、挖掘知識的過程。從CRM 的角度, 數據挖掘應用就是從 大量數據中挖掘出隱含的、先前未知的、對決策有潛在價值的知 識和規則, 并能夠根據已有的信息對未來發生行為做出結果預測, 為企業經營決策、市場策劃提供依據。在CRM 中應用的數據挖 掘模式主要有以下五種: 關聯分析、分類、聚類分析、序列分析、 孤立點分析。主要使用的技術有: 統計、聚類、決策樹、神經網 絡和關聯規則。對于要挖掘的數據, 可以是來自傳統的關系數據 庫, 也可以建立面向主題的、采用多維數據立方體組織數據的數 據倉庫。 數據挖掘在金融領域應用廣泛，包括：金融市場分析和預測、 賬戶分類、銀行擔保和信用評估等。這些金融業務都需要收集和 處理大量數據，很難通過人工或使用一兩個小型軟件進行分析預 測。而數據挖掘可以通過對已有數據的處理，找到數據對象的特 征和對象之間的關系，并可觀察到金融市場的變化趨勢。然后利 用學習到的模式進行合理的分析預測，進而發現某個客戶、消費 群體或組織的金融和商業興趣等。 為了使數據挖掘技術很好地在銀行中發揮作用,首先需要建 立一個能夠全面組織和管理來自銀行內部和外部數據的平臺。通 過建立數據倉庫, 將來自BOSS 系統、網管系統、OA 系統和財務 管理信息系統的數據進行整合。可以根據不同的分析需求建立相 應的主題( 如客戶流失情況主題、市場競爭分析主題等),并根據 主題建立相應的多維數據集, 從而可以在多維數據集中采用聯機 事務處理(OLTP)、聯機分析處理(OLAP)和數據挖掘為相應的主題 提供分析模型。 一、利用聚類分析法進行客戶細分，提高服務成功率 客戶細分是銀行有效運營、營銷、服務的基礎，是把大量的 客戶分成不同類型，每個類型里的客戶擁有相似的屬性。銀行通 過客戶細分，針對每類的客戶使用不同的營銷方式或提供不同的 服務，可使銀行以最小的投入獲得最大的回報。 聚類分析技術是通過無指導學習，按類相似性最大化原則， 自動對數據分類。對于客戶關系管理系統中存在的大量數據，管 理人員常常希望得到有意義的提示以做出正確的客戶分類判斷， 此時使用聚類分析結果，可為管理者先給出多個不同的相對較大 的類劃分，再進行精確劃分。例如，管理人員要根據客戶的價值 細分客戶，由于客戶的價值對每個銀行來說衡量的標準不同，因 此可先對銀行現有的客戶進行聚類，利用聚類結果給客戶賦予類 標記，類標記有四種，即高價值客戶、最具成長性客戶、普通客 戶以及負加值客戶，并描述出每類客戶特征。通過聚類分析，銀 行往往可以發現客戶的群體行為，了解客戶的共性，從而提供針 對性的客戶服務，提高銀行服務成功率。 二、利用關聯分析法進行交叉營銷，提高客戶價值 關聯分析就是給定一組或一個記錄集合，通過分析記錄集合， 推導出其相關性，目的是為了挖掘出隱含在數據間的相互關系， 常用的關聯分析有簡單關聯﹑因果關聯和時序關聯。交叉營銷則 是指銀行向原有客戶銷售新的理財產品或服務的過程，它以“雙 贏”為原則，即對客戶來說，因得到更多、更好滿足需求的服務 而受益；對銀行來說，因營業額的增長而獲益。銀行利用數據挖 掘技術中的關聯分析法可以從客戶過去發生的交易數據中尋找影 響客戶交易行為的因素，并建立預測模型對客戶將來可能發生的 交易行為進行預測，分析哪些客戶最有可能對銀行的服務感興 趣，會對哪些金融產品感興趣，哪些理財產品或服務通常會一起 發生在同一次交易里，按什么樣的先后順序發生，從而實施有效 的交叉營銷，提高銀行的客戶價值。 三、利用分類法可有效識別銀行優質客戶，提高客戶忠誠度 數據分類是通過在訓練集上針對某一屬性進行類劃分，建立 描述并區分數據類或概念的模型，再使用該模型對數據類集進行 劃分。對于銀行來說，分類是最常見的操作。銀行以客戶為核心 并非是指所有的客戶都同等重要，根據二八原則，一個公司80% 盈利是由20%的客戶產生的，因此識別銀行的價值客戶是實現銀 行CRM的關鍵。但是，目前大多數銀行仍然按自己的經驗來識別 優質客戶，很少有銀行能夠確定一個較為完整準確的優質客戶標 準。利用數據挖掘技術中的分類算法，這一問題就可得到有效解 決。我們首先假設類標號屬性是“是否為優質客戶”，然后采用 分類法，通過在一定數量的客戶群上進行歸納，最后確定出優質 客戶的評估準則。在獲得了評估準則后，銀行就可以比較輕松﹑ 客觀地識別出其絕大多數優質客戶。 利用分類法還有利于銀行培養忠誠客戶，使之與銀行保持長 期關系。客戶忠誠是基于對銀行的信任度、往來頻率、服務效果、 滿意程度以及繼續接受同一銀行服務的可能性的綜合評估值。銀 行為了留住老客戶，防止客戶流失，就必須了解客戶的需求。首 先假設類標號屬性是“顧客是否流失”，再利用數據挖掘工具對 大量的客戶資料進行分析，建立數據模型，確定客戶的交易習慣、 交易額度和交易頻率，分析客戶對某個產品的忠誠程度、持久性 等，并為他們提供個性化定制服務，以提高客戶忠誠度。 四、利用孤立點分析法可發現客戶異常行為，防止客戶流失 孤立點是數據集中與一般數據模型不相符合的那些數據。一 般情況下，在數據被導入數據倉庫前，應該經過數據清理，以消 除不一致的情況。但是在實際應用中，往往會發現一些客觀存在 的、非操作人員的人為因素而導致的異常數據。對于這些異常數 據，我們無法按照