【正文】 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 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘使用的算法 對(duì)客戶數(shù)據(jù)進(jìn)行挖掘，需要是使用合適的數(shù)據(jù)挖掘算法完成數(shù)據(jù)分析。符合客戶細(xì)分的要求和特點(diǎn)。 聚類分析（ Cluster Analysis）是研究“物以類聚”問(wèn)題的一種統(tǒng)計(jì)分析方法。）。 (2)層次聚類分析法的基本原理和挖掘步驟 11 : 層次聚類分析法分為自底向上和自頂向下兩種挖掘策略： 自底向上的策略首先將每個(gè)對(duì)象作為一個(gè)簇，然后合并這些原子簇為越來(lái)越大的簇，直到所有的對(duì)象都在一個(gè)簇中，或者某個(gè)終結(jié)條件被滿足。 Kmean 算法的挖掘過(guò)程 本文的數(shù)據(jù)挖掘過(guò)程借助 SPSS Statistics 軟件進(jìn)行，對(duì) 20 名客戶進(jìn)行分類，取 K 值為 3，即將客戶分為三類。 （ 3） 在 K 均值分析的選項(xiàng)框中，將 x1,x2,x3,x4,x5 拖入變量區(qū)域，在“保存”中，選擇保存“聚類成員”與“聚類中心的距離”；選擇聚類數(shù)為 3，方法為“迭代與分類”，如圖 2 所示。 ，即客戶分群： 層次聚類法對(duì) 20 名客戶的聚類過(guò)程與 Kmean 算法類似： （ 1） 數(shù)據(jù)輸入，變量設(shè)置。 （ 4） 軟件輸出個(gè)案聚類結(jié)果的文檔。 （上圖）圖 T 檢驗(yàn) Matrix Ttest 表 T檢驗(yàn)結(jié)果 of Relative Matrix Ttest 單個(gè)樣本檢驗(yàn) 檢驗(yàn)值 = 0 差分的 95% 置信區(qū)間 t df Sig.(雙側(cè) ) 均值差值 下限 上限 x1 .750 4 .495 .168800 .79374 x2 .960 4 .391 .202400 .78769 x3 4 .191 .286400 .79152 x4 .491 4 .649 .117800 .78343 x5 .125 4 .907 .032200 .74751 18 解釋與評(píng)估， 結(jié)果 轉(zhuǎn)換 對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行解釋和評(píng)價(jià) Kmean 算法得出的數(shù)據(jù)挖掘結(jié)果即，將 20 名客戶聚為三類，其中第一類包含 5 個(gè)客戶，相應(yīng)客戶編號(hào)分別為 :1， 3， 12， 13， 20；第二類包含 7 個(gè)客戶，相應(yīng)客戶編號(hào)分別為： 2， 4， 5， 10， 16， 17， 18；第三類包含 8個(gè)客戶，相應(yīng)客戶編號(hào)分別為： 6， 7， 8， 9， 11， 14， 15， 19。第一類客戶數(shù)量最少，第二類客戶較多，第三類客戶數(shù)最多。 ，對(duì)個(gè)案聚類和對(duì)變量的聚類結(jié)果如下： 對(duì)個(gè)案的解釋與 Kmean算法中聚類結(jié)果類似，即聚類后將客戶分為指定群，并確定該群的主要群體特性，此處不再贅述。 表 檢驗(yàn)值 = 0 差分的 95% 置信區(qū)間 t df Sig.(雙側(cè) ) 均值差值 下限 上限 x1 4 x2 4 x3 4 x4 4 x5 4 知 識(shí)運(yùn)用 Kmean 算法進(jìn)行的數(shù)據(jù)挖掘： 根據(jù)結(jié)果解釋，可以分別對(duì)聚類后的三個(gè)群體實(shí)施不同的客戶營(yíng)銷策略，例如： 對(duì)收入較低年輕群信用一般群體，這一類是銀行有待發(fā)掘其客戶價(jià)值和潛質(zhì)的人群，可以向這類群體可以提供最新的同時(shí)帶有優(yōu)惠的營(yíng)銷產(chǎn)品，既可以用新鮮的產(chǎn)品吸引年輕人的眼球，也能用優(yōu)惠之便為收入較低的人群省去一筆費(fèi)用； 對(duì)高收入中年群體信用較差群體，這一類是銀行需要重點(diǎn)保持的優(yōu)質(zhì)客戶群，可以向這類人群提供高端的營(yíng)銷產(chǎn)品和專門的 VIP 服務(wù)，即能滿足高收入者的高端產(chǎn)品需求，也能讓其享受 VIP 待遇，滿足中 年人社會(huì)尊重的需求； 20 對(duì)中等收入年齡較大的群信用較好群體，這類人群數(shù)量最多，是銀行需要保持提升其客戶價(jià)值的群體，可以先用優(yōu)惠的營(yíng)銷策略吸引客戶并讓其體驗(yàn)高端客戶的待遇，將其向高端客戶引導(dǎo)； ： 根據(jù)變量的典型程度，確定“年收入”為最典型的聚類變量，這與我們實(shí)際中的情況是相符的。 4 結(jié)束語(yǔ) 隨著改革開放的不斷深入，市場(chǎng)間的競(jìng)爭(zhēng)不斷的激烈，銀行或者說(shuō)一般企業(yè)為了不斷的提高自身競(jìng)爭(zhēng)能力，獲得更大的效益面對(duì)如何更深刻地理解客戶，如何實(shí)現(xiàn)存量客戶的流失保有，如何挖掘增量潛在客戶，如何進(jìn)行交叉銷售提升客戶價(jià)值，如何進(jìn)行欺詐識(shí)別防范經(jīng)營(yíng)風(fēng)險(xiǎn)，如何推出適合客戶消費(fèi)特點(diǎn)的產(chǎn)品及套餐等這一系列的問(wèn)題時(shí)，數(shù)據(jù)挖 掘技術(shù)在解決這些問(wèn)題方面就凸顯出其它方法無(wú)與倫比的優(yōu)勢(shì)。 本文在選取客戶的特征項(xiàng)和客戶數(shù)據(jù)時(shí)，樣本較少，客戶數(shù)據(jù)不能真實(shí)或者全面的反應(yīng)客戶的實(shí)際情況，在選取客戶的特征項(xiàng)時(shí)也并不能代表客戶所有的重要特 征。 另外，單純的聚類分析不能全面反映客戶在整個(gè)生命周期對(duì)于企業(yè)的價(jià)值，最好與時(shí)間序列分析等技術(shù)結(jié)合使用。 感謝我的同學(xué)在平時(shí)生活、學(xué)習(xí)和論文寫作中對(duì)我的幫助。 最后，對(duì)在百忙之中評(píng)審此論文的各位專家教授表示誠(chéng)摯的謝意！ 唐貝 2020 年 4 月 23 附錄一： Kmean 算法聚類結(jié)果 初始聚類中心 聚類 1 2 3 x1 x2 x3 x4 .00 .00 x5 迭代歷史記錄 a 迭代 聚類中心內(nèi)的更改 1 2 3 1 2 .000 3 .000 .000 .000 a. 由于聚類中心內(nèi)沒有改動(dòng)或改動(dòng) 較小而達(dá)到收斂。 聚類成員 案例號(hào) 聚類 距離 1 1 2 2 3 1 4 2 5 2 6 3 7 3 8 3 9 3 10 2 11 3 12 1 13 1 14 3 24 15 3 16 2 17 2 18 2 19 3 20 1 最終聚類中心 聚類 1 2 3 x1 .40 .57 .50 x2 x3 x4 .20 .43 .13 x5 最終聚類中心間的距離 聚類 1 2 3 1 2 3 每個(gè)聚 類中的案例數(shù) 聚類 1 2 3 有效 缺失 .000 25 附錄二：層次聚類法個(gè)案聚類結(jié)果 案例處理匯總 a,b 案例 有效 缺失 總計(jì) N 百分比 N 百分比 N 百分比 20 0 .0 20 a. 值向量間的相關(guān)性已使用 b. 平均聯(lián)結(jié)（組之間） 平均聯(lián)結(jié)（組之間） 聚類表 階 群集組合 首次出現(xiàn)階群集 群集 1 群集 2 系數(shù) 群集 1 群集 2 下一階 1 18 20 0 0 2 2 10 18 0 1 3 3 2 10 0 2 6 4 1 12 0 0 14 5 9 19 0 0 8 6 2 5 .999 3 0 11 7 6 8 .999 0 0 12 8 9 14 .999 5 0 12 9 3 13 .999 0 0 13 10 15 16 .999 0 0 14 11 2 4 .998 6 0 13 12 6 9 .998 7 8 15 13 2 3 .997 11 9 16 14 1 15 .995 4 10 16 15 6 7 .991 12 0 18 16 1 2 .985 14 13 17 17 1 17 .960 16 0 18 18 1 6 .950 17 15 19 19 1 11 .802 18 0 0 26 樹狀圖 * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num ++++++ 18 18 + 20 20 + 10 10 + 2 2 + 5 5 + 4 4 ++ 3 3 + | 13 13 + ++ 1 1 + | | 12 12 ++ ++ 27 15 15 + | | 16 16 + | | 17 17 + ++ 6 6 + | | 8 8 ++ | | 9 9 + | | | 19 19 + ++ | 14 14 + | | 7 7 + | 11 11 + 附錄三：層次聚類法變量聚類結(jié)果 近似矩陣 案例 矩陣文件輸入 x1 x2 x3 x4 x5 x1 .021 .077 .115 x2 .021 .245 x3 .077 .245 .048 .062 x4 .115 .048 x5 .062 平均聯(lián)結(jié)（組之間） 聚類表 階 群集組合 首次出現(xiàn)階群集 群集 1 群集 2 系數(shù) 群集 1 群集 2 下一階 1 2 3 .245 0 0 3 2 1 4 .115 0 0 3 3 1 2 .000 2 1 4 4 1 5 3 0 0 群集成員 案例 3 群集 x1 1 x2 2 x3 2 x4 1 x5 3 28 樹狀圖 * * ** * * * * * H I E R A R C H I C A L C L U S T E R A N A L Y S I S * * * * * * * * * Dendrogram using Average Linkage (Between Groups) Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num ++++++ x2 2 ++ x3 3 + ++ x1 1 ++ | x4 4 + | x5 5 +