【正文】 6 解釋與評(píng)估， 結(jié)果轉(zhuǎn)換 ............................................................................................................... 18 對(duì)數(shù)據(jù)挖掘的結(jié)果進(jìn)行解釋和評(píng)價(jià) ............................................................................... 18 挖掘結(jié)果轉(zhuǎn)換 .................................................................................................................... 18 知識(shí)運(yùn)用 ........................................................................................................................................ 19 II 4 結(jié)束語(yǔ) ........................................................................................................................................................ 20 參考文獻(xiàn) ...................................................................................................................................................... 21 致謝 ............................................................................................................................................................... 22 附錄一： Kmean 算法聚類結(jié)果 ............................................................................................................... 23 附錄二：層次聚類法個(gè)案聚類結(jié)果 ......................................................................................................... 25 附錄三：層次聚類法變量聚類結(jié)果 ......................................................................................................... 27 III 數(shù)據(jù)挖掘算法在銀行客戶細(xì)分中的應(yīng)用 專 業(yè)： 信息管理與信息系統(tǒng) 摘 要 :隨著改革開(kāi)放的到來(lái)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，企業(yè)從客戶關(guān)系管理中獲得大量的客戶信息，但是如 何利用好這些珍貴的戰(zhàn)略資源，并通過(guò)這些資源對(duì)客戶進(jìn)行分類、保持和發(fā)展，已成為決定商業(yè)銀行在競(jìng)爭(zhēng)激烈的行業(yè)中獲得成功的關(guān)鍵?？蛻絷P(guān)系管理便成為商業(yè)銀行提高盈利的重要途徑和手段。目前金融業(yè)實(shí)施的大多數(shù)數(shù)據(jù)庫(kù)只能實(shí)現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計(jì)等較低層次的功能，卻無(wú)法發(fā)現(xiàn)數(shù)據(jù)中存在的各種有用的信息，譬如對(duì)這些數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)其數(shù)據(jù)模式及特征，然后可能發(fā)現(xiàn)某個(gè)客戶、消費(fèi)群體或組織的金融和商業(yè)興趣，并可觀察金融市場(chǎng)的變化趨勢(shì)。而目前西方商業(yè)銀行對(duì)客戶資源有一個(gè)很好的細(xì)分，業(yè)務(wù)針對(duì)性較強(qiáng)，對(duì)一般客戶的金融服務(wù)主要是通過(guò) ATM等自助終端來(lái)實(shí)現(xiàn)，而將目標(biāo)客戶鎖定在中高收入階層（鄒江、張維然， 2020）。 此外，花旗還向已有客戶交叉銷售新產(chǎn)品，并且取得了巨大的成功。（陳宏凱， 2020） 簡(jiǎn)單說(shuō)是指將客戶劃分 成互不相交的不同類別，在同一類別里，客戶具有類似的特性。通過(guò)對(duì)客戶進(jìn)行細(xì)分，為客戶提供更多的個(gè) 性化的服務(wù)，弄清客戶流失原因，提前進(jìn)行預(yù)防； （ 4）進(jìn)行風(fēng)險(xiǎn)防范。從以上學(xué)者對(duì)傳統(tǒng)市場(chǎng)細(xì)分變量的總結(jié)不難看出 ,它們實(shí)際上可以歸屬于三類 —— 環(huán)境細(xì)分、心理細(xì)分和行為細(xì)分。 客戶關(guān)系管理 的目標(biāo)就在于協(xié)助企業(yè)不斷地獲取和積累客戶知識(shí)，并將這些知識(shí)運(yùn)用在企業(yè)的生產(chǎn)、市場(chǎng)營(yíng)銷和客戶服務(wù)等各個(gè)領(lǐng)域，以提升客戶滿意度和忠誠(chéng)度，提高企業(yè)的核心競(jìng)爭(zhēng)力，從而降低生產(chǎn)、 銷售和服務(wù)成本，增加企業(yè)效益。數(shù)據(jù)挖掘是一門(mén)交叉學(xué)科．它集成了許多學(xué)科中成熟的工具和技術(shù)，包括數(shù)據(jù)庫(kù)技術(shù)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、模型識(shí)別、人工智能、神經(jīng)網(wǎng)絡(luò)等等。 (Classification) 旨在生成一個(gè)分類函數(shù)或分類模型，該模型能把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定類別中的某一個(gè)。但它的側(cè)重點(diǎn)在于分析數(shù)據(jù)之間前后 (因果 )關(guān)系，因此對(duì)數(shù)據(jù)往往要求引入時(shí)間 屬性。通過(guò)群體細(xì)分， CRM 用戶可以更好地理解客戶，發(fā)現(xiàn)群體客戶的行為規(guī)律。有幾種挖掘 方法都可以應(yīng)用于此問(wèn)題，關(guān)聯(lián)規(guī)則分析能夠發(fā)現(xiàn)顧客傾向于關(guān)聯(lián)購(gòu)買(mǎi)哪些商品。性能分析與客戶行為分析和重點(diǎn)客戶發(fā)現(xiàn)是相互交迭的過(guò)程，這樣才能保證企業(yè)的客戶關(guān)系管理能夠達(dá)到既定的目標(biāo)，建立良好的客戶關(guān)系。 （ 5）解釋與評(píng)估：使用適當(dāng)?shù)目梢暬夹g(shù)和知識(shí)表示技術(shù)將模式以合適的形式提供給用戶，讓用戶對(duì)模型結(jié)果作出解釋，同時(shí)能夠評(píng)估模型的有效性。銀行業(yè)務(wù)屬性數(shù)據(jù)主要是描述個(gè)人客戶在商業(yè)銀行進(jìn)行業(yè)務(wù)的相關(guān)數(shù)據(jù)，分為資產(chǎn)數(shù)據(jù)、負(fù)債數(shù)據(jù)、銀行卡數(shù)據(jù)、中間業(yè)務(wù)數(shù)據(jù)四類。本文采用第二種分類方式，結(jié)合表 1的人口特征、行為特征和心理特征的維度，從客戶各種特征的相對(duì)重要程度考慮，本文選取“人口特征”和“行為特征”中的“性別”，“年齡”，“年收入”，“信用信息是否列入黑名單”和“主要購(gòu)買(mǎi)方式”這五 個(gè)重要程度較高的特征作為數(shù)據(jù)挖掘的五個(gè)參數(shù)變量，并選取客戶這五個(gè)方面的數(shù)據(jù)。聚集和分類的區(qū)別是聚集不依賴于預(yù)先定義好的類，不需要訓(xùn)練集，在同一個(gè)類內(nèi)對(duì)象之間具有較高的相似度，不同類之間的對(duì)象差別較大。 (1) Kmean算法的基本原理和挖掘步驟 : 給定一 個(gè)包含 n個(gè)數(shù)據(jù)對(duì)象的數(shù)據(jù)庫(kù)，以及要生成的簇的數(shù)目 k，一個(gè)劃分類的算法將數(shù)據(jù)對(duì)象組織為 k個(gè)劃分 (kn)，其中每個(gè)劃分代表一個(gè)簇，同時(shí)滿足： ； （通常會(huì)采用一個(gè)劃分準(zhǔn)則 (稱為相似度函數(shù) )，例如距離。 ，以自底向上聚類分析方法為例： ：計(jì)算包含每對(duì)樣本間距離 (如歐氏距離 )的相似矩陣，把每個(gè)樣本作為一個(gè)簇； ：使用相似矩陣查找最相似的兩個(gè)簇； ：將兩個(gè)簇合并為一個(gè)簇，簇的個(gè)數(shù)通過(guò)合并被更新；同時(shí)更新相似矩陣，將兩個(gè)簇的兩行 (兩列 )距離用 1行 (1列 )距離替換反映合并操作； ：執(zhí)行 n1次步驟 2和步驟 3； :當(dāng)所有樣本都 合并成一個(gè)簇或滿足指定的簇的數(shù)目時(shí)，整個(gè)過(guò)程結(jié)束。 將 20 名客戶數(shù)據(jù)聚類為 3 簇時(shí)的結(jié)果： 表 聚類結(jié)果 Results of Kmean Cluster 聚類成員 案例號(hào) 聚類 距離 1 1 2 2 3 1 4 2 5 2 6 3 14 7 3 8 3 9 3 10 2 11 3 12 1 13 1 14 3 15 3 16 2 17 2 18 2 19 3 20 1 層次聚類算法的挖掘過(guò)程 利用層次聚類算法不僅可以對(duì)客戶進(jìn)行聚類，同時(shí)也可以對(duì)變量進(jìn)行聚類，這是層次聚類算法區(qū)別于 Kmean 算法的一點(diǎn)，即對(duì)個(gè)案分群和對(duì)變量分群。 過(guò)程簡(jiǎn)述為：在界面中輸入近似矩陣數(shù)據(jù)，選擇工具欄中“分析” ，選取“比較均值”功能中的單樣本 T 檢驗(yàn)方法如下圖 7，得結(jié)果如表 5 所示。 x1,x5 代表的性別和購(gòu)買(mǎi)方式對(duì)群體之間的區(qū)分度不大，所以在定義群的時(shí)候可以作為次要考慮條件。 同時(shí)，以本文為例根據(jù) 5 個(gè)變量均值差值，可以設(shè)計(jì)出這 5 個(gè)變 量的權(quán)重，對(duì)已挖掘數(shù)據(jù)進(jìn)行加權(quán)，并在已有的聚類結(jié)果中，獲得劃分類的臨界值，可以對(duì)新加入的客戶數(shù)據(jù)進(jìn)行加權(quán)值的判別，若有三類，加權(quán)值越高的就屬于優(yōu)質(zhì)客戶，然后是普通客戶，最后是有待發(fā)掘價(jià)值的客戶。 本文利用數(shù)據(jù)挖掘的算法對(duì)銀行客戶進(jìn)行細(xì)分，目的是建立這種模式和方法，為銀行客戶關(guān)系管理提供決策支持，但不是唯一的要素，只能作為借鑒供銀行參考。深深感謝每一位關(guān)心和支持我的人。任何中心的最大絕對(duì)坐標(biāo)更改為 .000。最后，企業(yè)要想使聚類分析技術(shù)能夠真正地發(fā)揮作用還必須結(jié)合企業(yè)和市場(chǎng)的實(shí)際情況，通過(guò)對(duì)不同聚類方法所產(chǎn)生 結(jié)果的比較以及可視化聚類結(jié)果，使管理層可以充分理解并且善加利用，從而從真正意義上推動(dòng)企業(yè)客戶關(guān)系管理的成功實(shí)施。 大量事實(shí)表明在客戶關(guān)系管理的客戶細(xì)分中，聚類分析是一種非常有效而實(shí)用的技術(shù)。 對(duì)變量聚類結(jié)果的轉(zhuǎn)換：在近似矩陣中（表 7）中可以看到， x2 與 x3 對(duì)應(yīng)的特征為年齡和年收入，這兩個(gè)特 征相關(guān)度最大；其次是 x1 與 x4 對(duì)應(yīng)的特征性別和和信用特征，相關(guān)度其次；最后前面兩對(duì)特征聚合為一個(gè)類與 x5 對(duì)應(yīng)的特征即購(gòu)買(mǎi)方式進(jìn)行結(jié)合，形成一個(gè)類。 對(duì)聚類結(jié)果的類別間距離進(jìn)行方差分析結(jié)果表明，類別間距離差異的概率值均 ，聚類效果較好。將選取的 20 名 客戶 5 個(gè)指標(biāo)的數(shù)據(jù)輸入 SPSS統(tǒng)計(jì)軟件，將客戶編號(hào)項(xiàng)設(shè)置為名義量，“性別”，“年齡”，“年收入”，“信用”，“主要購(gòu)買(mǎi)方式”這 5 項(xiàng)指標(biāo)依次設(shè)置為 x1， x2， x3， x4， x5 這 5 個(gè)數(shù)值型變量。 （ 1） 數(shù)據(jù)輸入，變量設(shè)置。 ： k個(gè)對(duì)象，每個(gè)對(duì)象初始地代表了一個(gè)簇的平均值或中心 (質(zhì)心 )； ，根據(jù)其與各個(gè)質(zhì)心的距離 (一般用歐氏距離 )，將它賦給最近的簇； 。（毛國(guó)君， 2020） 聚類是無(wú)指導(dǎo)的學(xué)習(xí)方法，它區(qū)別于分類。去除數(shù)據(jù)中的無(wú)關(guān)數(shù)據(jù)項(xiàng)、缺省數(shù)據(jù)項(xiàng)和重復(fù)數(shù)據(jù)項(xiàng)。 負(fù)債數(shù)據(jù)用于描述客戶在銀行辦理的各類貸款負(fù)債信息及為他人擔(dān)保負(fù)債(或有負(fù)債 )信息，包括住房貸款、個(gè)人消費(fèi)貸款等的余額、發(fā)生額等數(shù)據(jù)。個(gè)人客戶基本屬性數(shù)據(jù)用于描述個(gè)人客戶的身份、職業(yè)、家庭成員、經(jīng)濟(jì)狀況等方面的情況，將其劃分為客戶身份信息、職業(yè)信息、家庭成員信息、家庭基本經(jīng)濟(jì)信息等四部分。通過(guò)群體細(xì)分，企業(yè)可以更好地理解客戶，發(fā)現(xiàn)群體客戶的行為規(guī)律。 （ 4）客戶流失分析。 （ 2） 重點(diǎn)客戶發(fā)現(xiàn)。 (Deviation Analysis) 偏差分析是用來(lái)發(fā)現(xiàn)與正常情況不同的異常和變化，并進(jìn)一步分析這種變化是否是有意的詐騙行為，還是正常的變化。 (Clustering) 聚集是對(duì)記錄分組，把相似的記錄放在一個(gè)聚集里。由于各行業(yè) 業(yè)務(wù)自動(dòng)化的實(shí)現(xiàn)，商業(yè)領(lǐng)域產(chǎn)生了大量的業(yè)務(wù)數(shù)據(jù)，這些數(shù)據(jù)不再是為了分析的目的而收集的，而是由于純機(jī)會(huì)的商業(yè)運(yùn)作面產(chǎn)生。從競(jìng)爭(zhēng)的角度看，一個(gè)真正有效的客戶關(guān)系管理策略應(yīng)該可以對(duì)客戶進(jìn)行細(xì)分，使銀行能夠?yàn)椴煌瑢哟蔚目蛻籼峁┎煌降姆?wù)，并因此獲得最大的投入產(chǎn)出比。客戶細(xì)分的實(shí)現(xiàn)技術(shù)很多，諸如人工神經(jīng)網(wǎng)絡(luò)、因素分析、擬和分析和聚類分析等都在實(shí)踐中有著廣泛的應(yīng)用。 客戶細(xì)分的第一步就是要了解所要研究的對(duì)象特征。進(jìn)行客戶細(xì)分是為了使企業(yè)更精確地回答誰(shuí)是企業(yè)的客戶，哪些客戶有哪些實(shí)際需求，哪些客戶對(duì)企業(yè)的利潤(rùn)貢獻(xiàn)最大，哪些是企業(yè)應(yīng)該重點(diǎn)保持的客戶，企業(yè)應(yīng)該如何針對(duì)不同用戶提出自己的營(yíng)銷政策，從而實(shí)現(xiàn)企業(yè)利潤(rùn)最大化等問(wèn)題。 主要內(nèi)容和創(chuàng)新點(diǎn) 利用數(shù)據(jù)挖掘算法在商業(yè)銀行客戶細(xì)分中進(jìn)行實(shí)際應(yīng)用，并為商業(yè)銀行在客戶細(xì)分方面 提供決策支持。一旦獲得了這些信息，銀行就可以改善自身營(yíng)銷。 國(guó)內(nèi)商業(yè)銀行在過(guò)去的十幾年中，一直堅(jiān)持以產(chǎn)品為中心的經(jīng)營(yíng)理念，并以此來(lái)進(jìn)行部門(mén)人員的設(shè)置及信息化系統(tǒng)的開(kāi)發(fā)，其結(jié)果是導(dǎo)致各個(gè)產(chǎn)品系統(tǒng)之間大多相對(duì)獨(dú)立，毫無(wú)關(guān)系，客戶的各項(xiàng)信息分布于多個(gè)系統(tǒng)中，各系統(tǒng)自己的數(shù)據(jù)標(biāo)準(zhǔn)也各不一致，客戶信息無(wú)法全面展現(xiàn)。 隨著信息經(jīng)濟(jì) 時(shí)代的到來(lái)，銀行從客戶關(guān)系管理中獲得大量的客戶信息，但是如何利用好這些珍貴的戰(zhàn)略資源，并通過(guò)這些資源對(duì)客戶進(jìn)行分類、保持和發(fā)展，已成為決定商業(yè)銀行在競(jìng)爭(zhēng)激烈的行業(yè)中獲得成功的關(guān)鍵。通過(guò)聚類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(yíng)銷策略，用最少的成本，為客戶帶來(lái)最合適的服務(wù)，并為企業(yè)創(chuàng)造最高的價(jià)值。 關(guān)鍵詞： 客戶細(xì)分；數(shù)據(jù)挖掘；聚類分析 The Use of Date Mining Algorithm in the Customer Segmentation of Bank Major: Information Management amp。 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(wú)疑是很好的選擇。隨著信息技術(shù)的不斷發(fā)展和金融電子化程度的不斷提高，國(guó)內(nèi)商業(yè)銀行已積累了越來(lái)越多的客戶數(shù)據(jù)，面對(duì)海量的客戶數(shù)據(jù)，傳統(tǒng)的客戶細(xì)分方法則更顯得力不從心 (陳宏凱， 2020)?；ㄆ煦y行能