【正文】 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。 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。 4 結(jié)束語 隨著改革開放的不斷深入，市場(chǎng)間的競爭不斷的激烈，銀行或者說一般企業(yè)為了不斷的提高自身競爭能力，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題時(shí)，數(shù)據(jù)挖 掘技術(shù)在解決這些問題方面就凸顯出其它方法無與倫比的優(yōu)勢(shì)。 ，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。 （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。 ，即客戶分群： 層次聚類法對(duì) 20 名客戶的聚類過程與 Kmean 算法類似： （ 1） 數(shù)據(jù)輸入，變量設(shè)置。 Kmean 算法的挖掘過程 本文的數(shù)據(jù)挖掘過程借助 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。）。符合客戶細(xì)分的要求和特點(diǎn)。 數(shù)據(jù)預(yù)處理 對(duì)于選擇出的數(shù)據(jù)，進(jìn)行“清洗”工作，將數(shù)據(jù)轉(zhuǎn)變?yōu)椤案蓛簟睌?shù)據(jù)。 資產(chǎn)數(shù)據(jù)用于描述客戶在銀行的各項(xiàng)存款 (活期存款、通知存款、定期存單、定期一本通、存本取息、零存整取、定活二便等 )、投資 (記名國庫券 )等數(shù)據(jù)。 7 客戶分類指標(biāo)的建立 商業(yè)銀行個(gè)人客戶常用的細(xì)分方法有： （ 1）按數(shù)據(jù)屬性分類 用于商業(yè)銀行個(gè)人客戶細(xì)分的數(shù)據(jù)包括客戶的基本屬性數(shù)據(jù)、銀行業(yè)務(wù)屬性數(shù)據(jù)、資信屬性數(shù)據(jù)等： A. 客戶的基本屬性數(shù)據(jù)。 分類和聚類等挖掘方法可以把大量的客戶分成不同的類（群體），適合于用來進(jìn)行客戶細(xì)分。聚類分析能夠發(fā)現(xiàn)對(duì)特定產(chǎn)品感興趣的用戶群，神經(jīng)網(wǎng)絡(luò)、回歸等方法能夠預(yù)測(cè)顧客購買該新產(chǎn)品的可能性。在行為分組完成后，還要進(jìn)行客戶理解、客戶行為規(guī)律發(fā)現(xiàn)和客戶組之間的交叉分析。序列模式分析非常適于尋找事物的發(fā)生趨勢(shì)或重復(fù)性模式。既可以用此模型分析已有的數(shù)據(jù)，也可以用它來預(yù)測(cè)未來的數(shù)據(jù)。 數(shù)據(jù)挖掘其實(shí)是一類深層次的數(shù)據(jù)分析方法。 對(duì)商業(yè)銀行來說，單純的滿足客戶需求，強(qiáng)調(diào)為所有客戶提供同樣優(yōu)質(zhì)的服務(wù)，很可能是事倍功半，得不償失。 客戶細(xì)分沒有統(tǒng)一的模式，總的來說，客戶細(xì)分的方法主要包括基于客戶統(tǒng)計(jì)學(xué)特征的客戶細(xì)分、基于客戶行為的客戶細(xì)分、基于客戶生命周期的客戶細(xì) 分 4 和基于客戶價(jià)值相關(guān)指標(biāo)的客戶細(xì)分。在一些高風(fēng)險(xiǎn)行業(yè)，通過對(duì)客戶的類別及其消費(fèi)特點(diǎn)，可以對(duì)客戶異常進(jìn)行預(yù)警?？蛻艏?xì)分是進(jìn)行客戶關(guān)系管理的重要前提和關(guān)鍵步驟。他們利用商業(yè)智能的卓越性能，了解每個(gè)客戶的行為特征、消費(fèi)習(xí)慣、財(cái)務(wù)狀況及未來的需要，從而為客戶做出恰當(dāng)和切合其需要的財(cái)務(wù)建議和安排，同時(shí)更有針對(duì)性和更有效地進(jìn)行推廣工作（陳宏凱， 2020）。 數(shù)據(jù) 挖掘技術(shù)已經(jīng)被廣泛應(yīng)用在西方金融行業(yè)企業(yè)中，它可以成功預(yù)測(cè)銀行客戶需求。 數(shù) 據(jù) 挖掘的技術(shù)在我國的研究與應(yīng)用并不是很廣泛深入。作為客戶關(guān)系管理的重要功能之一的客戶細(xì)分便提高商業(yè)銀行競爭方面凸顯其重要的戰(zhàn)略意義和作用。 面對(duì)這些亟待解決的問題，利用數(shù)據(jù)挖掘算法在客戶關(guān)系管理中對(duì)客戶進(jìn)行細(xì)分無疑是很好的選擇。 Information System Abstract: With the development of our country’s economic and the reforming and opening up policy, the information technology and the financial sector develop faster than before,pan ies can get a large scale of customer information from customer relationship management. While how to make full use of these precious resources, divide customer into different clusters, keep and develop customers through these resources, the problem has been the key factor of winning succ ess of the intense petition of mercial banks. Face to these to be solved problems, date mining is a good choice for managers to make cust omer segmentation. It can do customer segmentation for banks quickly and give ideas to every cl uster with lower cost, higher benefit and more appropriate service. This article elaborated the origin of bank customer segmentation problems, reviewed the li terature, and used the date mining algorithms to make customer segmentation. It elaborated the use and importance of customer segmentation, introduced the date mining algorithms and ways of customer segmentation, selected population characteristics and behavior characteristics, using kmean algorithm and hierarchical clustering methods for date mining to do customer segmen IV tation, changed the results of customer clustering and variable clustering into useful tactics about customer segmentation and marketing, and give decision support for banks at last. Keywords： Customer Segmentation； Date Mining； Cluster Analysi 1 1 前言 問題的由來 隨著改革開放以來中國經(jīng)濟(jì)的迅速發(fā)展和騰飛，信息技術(shù)快速興起的和金融行業(yè)的蓬勃發(fā)展，我國的金融行業(yè)特別是銀行業(yè)面臨著巨大的機(jī)遇和挑戰(zhàn)。通過聚類分析和決策樹分析能快速的為銀行進(jìn)行客戶分類，并針對(duì)每一客戶群體實(shí)施具體的客戶關(guān)系管理策略和市場(chǎng)營銷策略。 2 我國商業(yè)銀行對(duì)客戶資源沒有細(xì)分，沒有相應(yīng)的客戶定位，對(duì)所有客戶都一視同仁。 在商業(yè)智能的幫助下，花旗銀行可以按照客戶為銀行創(chuàng)造盈利的多少和盈利潛在可能性的大小將自己的客戶進(jìn)行分類，進(jìn)而根據(jù)不同客戶以往的消費(fèi)習(xí)慣，預(yù)測(cè)其未來的消費(fèi)傾向，并結(jié)合外部經(jīng)濟(jì)、人口統(tǒng)計(jì)等相關(guān)數(shù)據(jù)預(yù)測(cè)未來的市場(chǎng)發(fā)展趨勢(shì)。 本文創(chuàng)新點(diǎn)： 利用 Kmean 算法和層次聚類分析方法，分別對(duì)客戶進(jìn)行細(xì)分和客戶屬性進(jìn)行聚類， 不僅能得到客戶的聚類結(jié)果，并且能得到客戶屬性特征的聚類結(jié)果，提出典型客戶特征，為客戶細(xì)分提供了更加有效的方法和結(jié)果，為客戶細(xì)分的客戶特征的選取提供了參考。通過與客戶的多種渠道的交互，可以高效、快速、準(zhǔn)確地完成對(duì)客戶的反饋，同時(shí)可降低服務(wù)的成本； （ 2）對(duì)潛在客戶的挖掘。 Schiffman按照地理、人口、心理、社會(huì)文化、使用情境、利益以及混合細(xì)分變量進(jìn)行歸納?？蛻絷P(guān)系管理是一種旨在改善企業(yè)與客戶之間關(guān)系的新型運(yùn)作機(jī)制，它實(shí)施于企業(yè)的市場(chǎng)營銷、銷售、服務(wù)與技術(shù)支持等與客戶有關(guān)的領(lǐng)域。 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘的概述 所謂數(shù)據(jù)挖掘，是從海量的數(shù)據(jù)中，抽取出潛在的、有價(jià)值的知識(shí) (模型或規(guī)則 )的過程?？梢赃@樣概括： (1)指從數(shù)據(jù)（大型數(shù)據(jù)庫或數(shù)據(jù)倉庫）中提取隱含的、未知的、非平凡的及有潛在應(yīng)用價(jià)值的信息或模式的高級(jí)處理過程； (2)模式：即知識(shí)，它給出了數(shù)據(jù)特性或數(shù)據(jù)之間的關(guān)系，是對(duì)數(shù)據(jù)所包含的信息更抽象的描述； (3)是一個(gè)過程，它利用一種或多種計(jì)算機(jī)學(xué)習(xí)技術(shù)，從數(shù)據(jù)庫中的數(shù)據(jù)自動(dòng)分析并提取知識(shí)，目的是確定數(shù)據(jù)的確趨勢(shì)和模式。 (Affinity grouping or Association Rules) 關(guān)聯(lián)規(guī)則是尋找數(shù)據(jù)庫中值的相關(guān)性，主要是尋找在同一個(gè)事件中出現(xiàn)的不同項(xiàng)的相關(guān)性，比如在一次購買活動(dòng)中所買不同商品的相關(guān)性。 6 數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用途徑 （ 1）客戶的獲取。商家與其客戶之間的商業(yè)關(guān)系是一種持續(xù)的不斷發(fā)展的關(guān)系，通過不斷地相互接觸和交流，客戶得到了更好更貼切的服務(wù)質(zhì)量，商家則因?yàn)樵黾恿虽N售量而獲利。 （ 5）性能評(píng)估。 （ 3）數(shù)據(jù)轉(zhuǎn)換：將“干凈”數(shù)據(jù)轉(zhuǎn)換成數(shù)據(jù)挖掘算法所需要的格式。 基本經(jīng)濟(jì)信息包括：健康狀況、供養(yǎng)人口、月收入、月供額、住宅狀況、住宅入住時(shí)間、現(xiàn)住房建筑面積、現(xiàn)住房性質(zhì)、納稅號(hào)、社會(huì)保險(xiǎn)號(hào)、深市股東代碼、滬市股東代碼、證券保證金帳號(hào)、持卡數(shù)量、擔(dān)保數(shù)量等。資信屬性數(shù)據(jù)，主要是描述個(gè)人客戶的信用情況，不僅包括在本銀行的數(shù)據(jù)，還包括在其他銀行以及社會(huì)其他地方的信用信息，如：本銀行的黑名單信息、中國人民銀行的黑名單信息、上海聯(lián)合征信系統(tǒng)的信息等。為達(dá)到客戶細(xì)分的目的，依據(jù)客戶細(xì)分的要求和特點(diǎn)，本文采用聚類分析的方法進(jìn)行數(shù)據(jù)挖掘。對(duì)于已經(jīng)給出的數(shù)據(jù)，沒有先驗(yàn)知識(shí)的前提下自動(dòng)進(jìn)行分類。絕大多數(shù)層次聚類方法屬于這一類。 （ 4）軟件輸出聚類結(jié)果的文檔。 過程與對(duì)個(gè)案分群一樣，只是在分群選擇為“變量”這一個(gè)選項(xiàng)上不同。 5 個(gè)變量平行比較， x1,x5 變量的聚類中心差異相對(duì)較小， x2,x3,x4,特別是 x3 變量的聚類中心差異較大，區(qū)別最為明顯。然后依次是“年齡”，“性別”，“信用”，“購買方式” 。所以面對(duì)具體的銀行客戶細(xì)分問題，還必須結(jié)合實(shí)際情況進(jìn)行討論。 感謝一直以來關(guān)心我學(xué)習(xí)、研究和發(fā)展的所有老師、同學(xué)、朋友。初始中心間的最小距離為 。 感謝我的論文指導(dǎo)老師 ***老 師，在論文的寫作過程中，從論文的選題、開題、撰寫以及論文的修改斟酌方面始終給予我精心的指導(dǎo)，論文的研究工作才得以順利完成。 然而，我們也應(yīng)當(dāng)認(rèn)識(shí)到聚類分析可以為客戶細(xì)分提供支持，但這種細(xì)分并不等同于商業(yè)領(lǐng)域的細(xì)分，因?yàn)榧兇獾氖褂梅椒赡苓€起不到很好推動(dòng)企業(yè)的作用，還需要結(jié)合對(duì)特定行業(yè)深刻的商業(yè)理解。確定年收入為最典型的聚類變量，另外四個(gè)按典型程度遞減分別為：年齡，性別，信用，購買方式。 挖掘結(jié)果轉(zhuǎn)換 Kmean 算法最終聚類中心（表 6）和每個(gè)聚類中的案例數(shù) （表 4）的結(jié)果顯示，若把這 20 個(gè)客戶分成 3 類。 （ 3） 在系統(tǒng)聚類分析的選項(xiàng)框中，將 x1,x2,x3,x4,x5 拖入變量區(qū)域，”并將